Deje de jugar con la IA

Si le pide a alguien que nombre a una empresa que sitúa la inteligencia artificial en el centro de su negocio, probablemente escuche una lista predecible de potencias tecnológicas: Alphabet (Google), Meta (Facebook), Amazon, Microsoft, Tencent y Alibaba. Pero en las organizaciones tradicionales de otros sectores, muchos líderes piensan que va más allá de las capacidades de sus empresas transformarse mediante la IA. Sin embargo, dado que esta tecnología es relativamente nueva, ninguna empresa utilizaba la IA hace una década, por lo que todas las que han tenido éxito tenían que realizar las mismas tareas fundamentales: ponían a las personas a cargo de la creación de la IA, reunían los datos, el talento y las inversiones monetarias necesarios y actuaban de la manera más agresiva posible para desarrollar capacidades.

¿Es más fácil decirlo que hacerlo? Sí. En muchas organizaciones, las iniciativas de IA son demasiado pequeñas y provisionales; nunca llegan al único paso que puede añadir valor económico: implementar un modelo a gran escala. En una encuesta de 2019 realizada por Revisión de la gestión del MIT Sloan y Boston Consulting Group, siete de cada 10 empresas informaron que sus esfuerzos de IA habían tenido un impacto mínimo o nulo. La misma encuesta mostró que, entre el 90% de las empresas que habían realizado alguna inversión en IA, menos del 40% había logrado beneficios empresariales en los tres años anteriores. No es sorprendente: un programa piloto o un experimento solo pueden llevarlo hasta cierto punto.

En nuestras investigaciones de los últimos años, hemos identificado 30 empresas y agencias gubernamentales (que no siempre son conocidas por su conocimiento tecnológico) que han apostado por la IA y han cosechado los beneficios. Muchas de las empresas compiten en sectores como la banca, la venta minorista y los productos de consumo. Tras estudiar sus trayectorias, hemos identificado 10 medidas que esas 30 organizaciones adoptaron para adoptar la IA con éxito.

Para obtener un valor sustancial de la IA, su organización debe replantearse de manera fundamental la forma en que los humanos y las máquinas interactúan en los entornos de trabajo. Debería centrarse en las aplicaciones que cambiarán el rendimiento de los empleados y la forma en que los clientes interactúan con su empresa. Debería considerar el despliegue sistemático de la IA en todas las funciones y operaciones clave para apoyar los nuevos procesos y la toma de decisiones basada en los datos. Del mismo modo, la IA debería impulsar nuevas ofertas de productos y servicios y modelos de negocio. En otras palabras, la tecnología debería transformar eventualmente todos los aspectos de su negocio.

Cada una de las 10 empresas que enumeramos en este artículo acercará su empresa a la transformación, pero para lograrlo del todo, debe evitar los esfuerzos poco sistemáticos y centrarse en las 10 tareas. Los ejemplos adjuntos detallan el éxito de algunas organizaciones. Su empresa puede optar por gestionar las tareas de forma diferente o abordarlas en un orden diferente.

[  1  ]

Know What You Want to Accomplish

Las empresas ambiciosas tienen una idea específica de cómo quieren aplicar la IA. Quieren tener más éxito financiero, por supuesto, pero identificar y desarrollar una IA transformadora requiere un objetivo más claro. Algunas empresas comienzan a utilizar la tecnología para mejorar la velocidad de los procesos, reducir los costes operativos o convertirse en mejores vendedores. Sea cual sea su motivo para aprovechar la IA, le recomendamos que identifique un objetivo global y bien definido y que lo convierta en un principio rector para su adopción.

Las fotografías alteradas digitalmente de Carolyn Doucette investigan la presencia humana en la naturaleza.

Cuando el consultorio de auditoría y aseguramiento de Deloitte comenzó a desarrollar Omnia, una plataforma de IA propia, en 2014, el principio rector era mejorar la calidad del servicio a nivel mundial. Crear una herramienta global en ese campo no es tan sencillo como traducir los datos a varios idiomas. Existen diferencias importantes en la forma en que los países regulan los datos, incluidas las normas de privacidad, los procesos de auditoría y la gestión de riesgos.

Una parte importante de la auditoría de una empresa consiste en recopilar datos financieros y operativos en un formato que se pueda analizar fácilmente. Como las estructuras de datos difieren entre las empresas, extraer los datos pertinentes y cargarlos en una plataforma de auditoría puede llevar mucho trabajo. Aunque Omnia se puso a prueba con un cliente estadounidense, el objetivo de convertirlo en una herramienta global creó varios desafíos únicos desde el principio, como desarrollar un modelo de datos único que funcionara para todos los clientes y regiones.

Imaginar Omnia como una herramienta global antes de su creación permitió a los desarrolladores de Deloitte centrarse en estandarizar la información de diferentes empresas de diferentes países, una tarea enorme que habría supuesto aún más difícil más adelante en el proceso de desarrollo.

[  2  ]

Work with an Ecosystem of Partners

La creación de Omnia requirió que el consultorio de auditoría y aseguramiento supervisara a las empresas emergentes de tecnología de todo el mundo para encontrar soluciones que se ajustaran a las necesidades de Deloitte. Sin esos socios, Deloitte habría tenido que desarrollar las tecnologías internamente, lo que podría haber sido posible, pero con un coste mucho mayor y en un plazo mucho más lento. Una empresa necesita asociaciones sólidas para tener éxito con la IA.

Deloitte trabajó con Kira Systems, una start-up con sede en Canadá que ofrece un software que extrae las condiciones contractuales de los documentos legales. Históricamente, los auditores de Deloitte han tenido que leer muchos contratos y realizar esta tarea de forma manual, pero ahora la tecnología de procesamiento del lenguaje natural de Kira identifica y extrae automáticamente los términos clave. Otro socio, Signal AI, creó una plataforma que analiza los datos financieros disponibles al público para identificar los posibles factores de riesgo en el negocio de un cliente. Una incorporación reciente a la plataforma Omnia es Trustworthy AI, un módulo desarrollado en asociación con Chatterbox Labs, que evalúa los modelos de IA para detectar sesgos.

[  3  ]

Master Analytics

La mayoría de los que adoptaron la IA con éxito tenían importantes iniciativas de análisis en marcha antes de pasar de lleno a la inteligencia artificial. Aunque cualquier forma de aprendizaje automático puede incluir otras tecnologías que no se basan en la analítica, como las acciones autónomas, la robótica y el metaverso, tiene la analítica como base, por lo que dominar la analítica es crucial para la adopción de la IA.

Pero, ¿qué significa exactamente «dominar la analítica»? En este contexto, se requiere el compromiso de utilizar los datos y el análisis para la mayoría de las decisiones, lo que significa cambiar la forma en que trata a los clientes, integrar la IA en los productos y servicios y llevar a cabo muchas tareas (incluso procesos empresariales completos) de una manera más automatizada e inteligente. Y para transformar sus negocios con la IA, las empresas deben tener cada vez más datos únicos o patentados: si todos sus competidores tienen los mismos datos, todos tendrán modelos de aprendizaje automático similares y resultados similares.

Para obtener un valor sustancial de la IA,
su empresa debe replantearse fundamentalmente la forma en que los humanos y las máquinas interactúan en los entornos de trabajo.

Seagate Technology, el mayor fabricante de unidades de disco del mundo, tiene enormes cantidades de datos de sensores en sus fábricas y los ha utilizado ampliamente durante los últimos cinco años para mejorar la calidad y la eficacia de sus procesos de fabricación. Uno de los objetivos de este esfuerzo ha sido automatizar la inspección visual de las obleas de silicio, a partir de las cuales se fabrican los cabezales de las unidades de disco, y de las herramientas que las fabrican. Se toman varias imágenes microscópicas de varios juegos de herramientas durante la fabricación de obleas. Con los datos proporcionados por las imágenes, la fábrica de Seagate en Minnesota creó un sistema automatizado que permite a las máquinas encontrar y clasificar directamente los defectos de las obleas. Otros modelos de clasificación de imágenes detectan microscopios electrónicos desenfocados en las herramientas de monitorización para determinar si realmente existen defectos. Desde que estos modelos se desplegaron por primera vez, a finales de 2017, su uso ha crecido considerablemente en las fábricas de obleas de la empresa en los Estados Unidos e Irlanda del Norte, lo que ha ahorrado millones de dólares en costes de mano de obra de inspección y prevención de residuos. La precisión de la inspección visual, del 50% hace varios años, ahora supera el 90%.

Los datos son la base del éxito del aprendizaje automático y los modelos no pueden hacer predicciones precisas sin grandes cantidades de datos buenos. Es justo decir que el mayor obstáculo para la mayoría de las organizaciones a la hora de ampliar los sistemas de IA es adquirir, limpiar e integrar los datos correctos. También es importante buscar activamente nuevas fuentes de datos para las nuevas iniciativas de IA, algo de lo que hablaremos más adelante en este artículo.

[  4  ]

Create a Modular, Flexible IT Architecture

Necesitará una forma de implementar fácilmente los datos, el análisis y la automatización en las aplicaciones de su empresa. Eso requiere una infraestructura tecnológica que pueda comunicar y entender los datos de otros entornos de TI, tanto dentro como fuera de la empresa. El software de un centro de datos tradicional suele diseñarse para comunicarse únicamente con el software del mismo centro de datos. Integrarlo con software externo a esa infraestructura puede llevar mucho tiempo y ser caro.

Una arquitectura de TI flexible facilita la automatización de procesos complejos, como la extracción por parte de Deloitte de los términos clave de los documentos legales. Si no puede desarrollar una arquitectura de este tipo por su cuenta (pocas pequeñas y medianas empresas pueden hacerlo), puede que tenga que asociarse con una empresa como Microsoft Azure, Amazon Web Services (AWS) o Google Cloud.

Capital One, que ha sido reconocida durante décadas como una potencia analítica, ha utilizado la analítica para entender los patrones de gasto de los consumidores, reducir el riesgo crediticio y mejorar el servicio de atención al cliente. (Divulgación: uno de nosotros, Tom, ha sido orador de pago para Capital One.) En 2011, Capital One tomó la decisión estratégica de reinventar y modernizar su cultura, sus procesos operativos y su infraestructura tecnológica principal. La transformación implicó pasar a un modelo ágil de entrega de software, crear una organización de ingeniería a gran escala y contratar a miles de personas para puestos digitales. También inspiró a la empresa a trasladar sus datos a la nube.

Carolyn Doucette

Capital One creó su arquitectura de nube en asociación con AWS. Pero antes de pasar a la nube, los ejecutivos de Capital One tuvieron que reimaginar el futuro de la banca. Los canales digitales a los que migraban los clientes, como el sitio web y la aplicación móvil del banco, producían muchos más datos que las interacciones presenciales, lo que daba al banco la oportunidad de entender mejor cómo interactuaban los clientes con ellos. Pasarse a la nube tenía sentido desde el punto de vista estratégico, en parte porque reduciría los costes del almacenamiento de datos. En 1960, almacenar un gigabyte costaba 2 millones de dólares, según datos de la Escuela de Negocios Marshall de la USC. Ese coste se redujo a 200 000 dólares en la década de 1980, a 7,70 dólares a principios de la década de 2000 y, gracias al almacenamiento en la nube, a tan solo 2 centavos en 2017.

El banco determinó que AWS podía proporcionar almacenamiento de datos y potencia informática basados en software, escalables de forma masiva y disponible al instante en la nube a un coste mucho menor que el almacenamiento de los datos en las instalaciones. También estaban disponibles en AWS nuevas e innovadoras herramientas y plataformas de aprendizaje automático. Ya no tenía sentido que la organización de TI de Capital One creara y gestionara soluciones de infraestructura para todos estos datos. En cambio, empezó a centrarse en el desarrollo del software y las capacidades empresariales. Hoy, Capital One analiza un flujo interminable de datos de transacciones web y móviles, cajeros automáticos y transacciones con tarjetas en tiempo real para satisfacer las necesidades de los clientes y prevenir el fraude. Para 2020, el banco había cerrado su último centro de datos y había trasladado todas sus aplicaciones y datos a la nube de AWS.

Sin duda, muchas empresas ya han migrado datos y aplicaciones a la nube (o se originaron allí). Los que no lo hayan hecho tendrán más dificultades para convertirse en adoptantes agresivos de la IA.

[  5  ]

Integrate AI into Existing Workflows

Los procesos empresariales inflexibles pueden ser tan limitantes como lo son las arquitecturas de TI inflexibles. Las empresas descritas en este artículo se esforzaron por integrar la IA en los flujos de trabajo diarios de los empleados y los clientes. Para ello en su organización, determine cuáles de sus flujos de trabajo son los adecuados para la velocidad y la inteligencia de la IA y comience a integrar la IA en ellos lo antes posible. Evite intentar meterlo en flujos de trabajo que no se beneficiarían de la velocidad y la escala de las máquinas, como los procesos empresariales poco utilizados que no implican ni generan enormes cantidades de datos ni repeticiones.

La integración del flujo de trabajo requiere un plan de ataque aún más específico que la tarea 1: «Sepa lo que quiere lograr». Digamos que ha decidido que quiere mejorar el servicio de atención al cliente. Pero la integración de la IA en los flujos de trabajo actuales del servicio de atención al cliente requiere un conocimiento profundo sobre el terreno de los procesos que pocos ejecutivos de alta dirección tienen. Sin embargo, los empleados de línea tienen una perspectiva ideal para determinar qué procesos pueden beneficiarse de la inteligencia artificial y cómo se pueden mejorar específicamente los procesos.

Algunas ramas del gobierno de los Estados Unidos identificaron tareas y flujos de trabajo específicos que eran ideales para la velocidad y la escala de la IA. La NASA, por ejemplo, lanzó proyectos piloto sobre cuentas por pagar y por cobrar, gastos de TI y recursos humanos. (Como resultado del proyecto de recursos humanos, el 86% de sus transacciones de recursos humanos se realizaron sin intervención humana). La Administración del Seguro Social ha utilizado la IA y el aprendizaje automático en su labor de adjudicación para abordar las impugnaciones derivadas del gran número de casos y garantizar la precisión y la coherencia en la toma de decisiones. Al comienzo de la pandemia de la COVID-19, el Departamento de Asuntos de los Veteranos implementó los chatbots de IA para responder a las preguntas, ayudar a determinar la gravedad de los casos confirmados y encontrar posibles lugares para el ingreso de los pacientes. El Laboratorio de Seguridad del Transporte de la Dirección de Ciencia y Tecnología del Departamento de Seguridad Nacional está estudiando formas de incorporar la IA y el aprendizaje automático en el proceso de control de la TSA para mejorar el escaneo de los pasajeros y las maletas. El Servicio de Impuestos Internos utiliza la IA para comprobar qué combinaciones de avisos formales tienen más probabilidades de inducir al contribuyente que debe dinero a enviar un cheque.

[  6  ]

Build Solutions Across the Organization

Una vez que haya probado y dominado internamente la IA en un flujo de trabajo específico, querrá ser más agresivo a la hora de implementarla en toda la organización. En lugar de diseñar un modelo algorítmico para un proceso, su objetivo debería ser encontrar un enfoque unificado que pueda replicarse en toda la empresa.

La Clínica Cleveland tiene «la IA por todas partes», según Chris Donovan, su director ejecutivo de análisis empresarial y gestión de la información. Su grupo facilita los esfuerzos liderados por los trabajadores para desarrollar e implementar la IA y, al mismo tiempo, proporciona enfoques de gobierno liderados por los ejecutivos. Hasta ahora, el esfuerzo ha estado impulsado por una comunidad de práctica interorganizacional basada en los departamentos de análisis empresarial, TI y ética.

El mayor desafío al que se enfrentan los líderes es crear una cultura que haga hincapié en las decisiones y acciones basadas en los datos y que entusiasme con el potencial de la IA para transformar la empresa.

Como la mayoría de las organizaciones que están iniciando transformaciones agresivas de la IA, la clínica se enfrenta a un enorme desafío relacionado con los datos y el análisis. Según Donovan, los hospitales tienen muchos menos datos que las organizaciones de otros sectores y es menos probable que estén limpios y bien estructurados. Los datos de Cleveland, dice, tienen problemas de calidad, se capturan mal, se introducen de diferentes maneras e implican diferentes definiciones en toda la institución. Incluso se puede tomar una métrica común, como la presión arterial, mientras el paciente está de pie, sentado o en decúbito supino (normalmente con diferentes resultados) y se registra de varias maneras. Es necesario conocer las estructuras de datos de cada consultorio para interpretar los datos de BP con precisión. En lugar de dejar que cada consultorio de la clínica prepare los datos para cada conjunto de datos individual, el grupo de Donovan los convierte en parte de todos los proyectos de IA y trabaja para proporcionar conjuntos de datos útiles a todos los proyectos de IA.

La Clínica Cleveland también utiliza la IA para evaluar el riesgo en el área de la salud de la población, donde ha creado un modelo predictivo que ayuda a priorizar el uso de los escasos recursos para prestar atención a los pacientes que más la necesitan. La puntuación predictiva de riesgo es ahora su método principal para determinar quién recibe una llamada telefónica para registrarse. Un paciente diabético que tenga dificultades para controlar la enfermedad, por ejemplo, obtendría una puntuación de riesgo alto. La clínica creó otro modelo para identificar a los pacientes que corren el riesgo de contraer una enfermedad pero que no tienen antecedentes ni síntomas de la misma. Se usa para programar de forma proactiva los cuidados preventivos. CC también está trabajando para identificar a los pacientes con condiciones de vida o trabajo problemáticas que afectan a su salud; puede que necesiten una trabajadora social tanto como un médico o un pase de autobús para ir a las citas médicas.

[  7  ]

Create an AI Governance and Leadership Structure

Poner a alguien a cargo de determinar cómo se despliega la inteligencia artificial en la organización facilita la transformación. Los mejores líderes saben lo que la IA puede hacer en general, lo que puede hacer para sus empresas y las implicaciones que puede tener para las estrategias, los modelos de negocio, los procesos y las personas. Pero el mayor desafío al que se enfrentan los líderes es crear una cultura que haga hincapié en las decisiones y acciones basadas en los datos y que haga que los empleados se entusiasmen con el potencial de la IA para mejorar la empresa. En ausencia de ese tipo de cultura, aunque algunos defensores de la IA estén repartidos por la organización, no obtendrán los recursos que necesitan para crear aplicaciones excelentes y no podrán contratar a personas excelentes. Y si se crean aplicaciones de IA, la empresa no las utilizará de forma eficaz.

¿Qué tipo de líder puede fomentar la cultura correcta? En primer lugar, ayuda que un CEO u otro ejecutivo de nivel C que esté familiarizado con la tecnología de la información dirija la iniciativa. Aunque alguien sin conocimientos técnicos puede dirigir las iniciativas de IA en su empresa, esa persona tendría que aprender mucho y rápido. En segundo lugar, es importante que el líder trabaje en varios frentes. Las iniciativas específicas en las que decida participar variarán según la organización, pero la participación de un alto ejecutivo es especialmente importante para demostrar su interés por la tecnología, establecer una cultura de decisiones basadas en los datos, impulsar la innovación en la empresa y motivar a los empleados a adoptar nuevas habilidades. En tercer lugar, los líderes tienen el poder del monedero. Explorar, desarrollar e implementar la IA es caro. Los líderes deben invertir (o persuadir a otros de que inviertan) lo suficiente como para permitir todos los niveles de adopción.

Tener un solo líder de IA ayuda, pero en última instancia, el compromiso con este trabajo debe repercutir profundamente en la organización. Si los directivos superiores, intermedios e incluso de primera línea solo hablan de boquilla sobre la idea de la transformación con la IA, las cosas avanzarán despacio y lo más probable es que la organización vuelva a los viejos hábitos. Hemos visto a algunos líderes muy comprometidos crear empresas centradas en la IA con múltiples iniciativas. Pero sus sucesores no eran creyentes, por lo que se centraron en la IA.

[  8  ]

Develop and Staff Centers of Excellence

La mayoría de los directores de IA y análisis siguen dedicando mucho tiempo a evangelizar a otros directivos sobre el valor y el propósito de la tecnología. Los responsables de la toma de decisiones de todas las unidades de negocio deben asegurarse de que los proyectos de IA reciben suficiente financiación y tiempo, y también deben implementar la IA en su propio trabajo. Es importante educar a ese grupo sobre el funcionamiento de la IA, cuándo es apropiado y lo que implica un compromiso importante con ella. Para la gran mayoría de las empresas, aún es pronto para este trabajo de mejora y reciclaje, y no todos los empleados necesitan formarse en IA. Pero está claro que algunos sí, y probablemente cuantos más, mejor. Cada empresa a la que se hace referencia en este artículo se dio cuenta de que, para tener éxito, necesitaba un talento considerable y una formación en IA, ingeniería de datos y ciencia de datos.

Los responsables de la toma de decisiones de todas las unidades de negocio deben asegurarse de que los proyectos de IA reciben suficiente financiación y tiempo, y también deben implementar la IA en su propio trabajo.

Cuando Piyush Gupta se unió a DBS Bank como CEO, en 2009, era el banco con la valoración más baja de Singapur en cuanto a servicio de atención al cliente. Gupta ha invertido mucho en la experimentación con la IA (unos 300 millones de dólares al año en los últimos años) y ha dado a las unidades de negocio y funciones la flexibilidad necesaria para contratar científicos de datos para ver lo que pueden lograr. El director de Recursos Humanos del banco, que no tenía formación técnica, creó un pequeño grupo de trabajo para identificar y poner a prueba las aplicaciones de IA, incluido Jim, el profesor de inteligencia laboral, un modelo que predice la deserción del personal y ayuda al banco a contratar a los empleados más cualificados. DBS lo utilizó para contratar a muchos de los 1000 científicos e ingenieros de datos que trabajan en la organización en la actualidad.

DBS cuenta ahora con el doble de ingenieros que de banqueros, dice Gupta. Trabajan en tecnologías emergentes, como la cadena de bloques y los tokens respaldados por activos, así como en proyectos de inteligencia artificial. Y la cultura del banco ha mejorado considerablemente. Euromoney nombró a DBS el mejor banco del mundo en cada uno de los cuatro años comprendidos entre 2018 y 2021, y sus posiciones de capital y calificaciones crediticias se encuentran ahora entre las más altas de la región de Asia y el Pacífico. En 2019 Harvard Business Review nombró a Gupta el 89º CEO con mejor desempeño del mundo.

[  9  ]

Invest Continually

Elegir ser agresivo con la IA no es una decisión que los líderes tomen a la ligera. Esa medida tendrá una gran influencia en la empresa durante décadas y, en última instancia, para las grandes empresas puede implicar cientos de millones o miles de millones de dólares. Todos los que adoptaron la IA con éxito nos dijeron que ese es el coste de comprometerse con una adopción ambiciosa de la IA a nivel empresarial. Al principio, esos compromisos de recursos pueden asustar a las organizaciones. Pero después de ver los beneficios que recibieron de los primeros proyectos, las empresas impulsadas por la IA que investigamos descubrieron que era mucho más fácil gastar en datos, tecnologías y personas orientados a la IA.

CCC Intelligent Solutions, por ejemplo, ha gastado y espera seguir gastando más de 100 millones de dólares al año en IA y datos. (Divulgación: Tom ha sido un orador de pago para la CCC.) La empresa se fundó en 1980 como Certified Collateral Corporation. Se creó originalmente para proporcionar información sobre la valoración de los automóviles a las aseguradoras. Si ha tenido un accidente de coche que ha requerido importantes reparaciones, probablemente se haya beneficiado de la toma de decisiones de CCC basada en los datos, el ecosistema y la IA. A lo largo de sus más de 40 años, CCC ha evolucionado para recopilar y gestionar más y más datos, establecer cada vez más relaciones con las partes del sector de los seguros de automóviles y tomar cada vez más decisiones con datos, análisis y, finalmente, con la IA. Durante los últimos 23 años, la empresa ha estado dirigida por Githesh Ramamurthy, que anteriormente era su director de tecnología. CCC ha disfrutado de un sólido crecimiento y sus ingresos anuales se acercan a los 700 millones de dólares.

Los modelos de aprendizaje automático de CCC se basan en reclamaciones históricas por valor de más de un billón de dólares, miles de millones de imágenes históricas y otros datos sobre piezas de automóviles, talleres de reparación, lesiones por colisión y reglamentos. También ha recopilado datos históricos por valor de más de 50 000 millones de millas a través de la telemática y los sensores de los vehículos. Proporciona datos (y, cada vez más, decisiones) a un amplio ecosistema de unas 300 aseguradoras, 26 000 centros de reparación, 3 500 proveedores de piezas y todos los principales fabricantes de equipos originales de automóviles. El objetivo de la CCC es vincular a esas diversas organizaciones en un ecosistema perfecto para procesar las reclamaciones con rapidez. Todas esas transacciones tienen lugar en la nube, donde se encuentran los sistemas de CCC desde 2003. Conectan a 30 000 empresas y 500 000 usuarios individuales y procesan transacciones comerciales por valor de 100 000 millones de dólares al año. Como puede imaginar, llegar a este punto ha sido caro y lleva mucho tiempo.

[  10  ]

Always Seek New Sources of Data

La recopilación de datos no suele ser un problema para las grandes empresas, pero las estrategias de IA se basan en gran parte en los datos que se pueden recopilar. Más datos es bueno. Unos datos más precisos son estupendos. Lo ideal es disponer de datos estructurados y más precisos que puedan aplicarse a los modelos de IA de forma inmediata. Integrar los datos de los sistemas de los clientes fue quizás el componente más difícil del viaje de Deloitte a la IA. Capital One siempre tuvo datos sólidos, pero necesitaba una forma de almacenarlos y utilizarlos dentro de una arquitectura de TI flexible. CCC comenzó a acumular datos con su primer modelo de negocio y, por lo tanto, estaba bien preparada para el cambio a un modelo basado en la IA. Pero la transición de CCC de un negocio orientado a los datos a uno orientado a la IA se consolidó cuando aprendió a utilizar un enorme tesoro de datos que no existía cinco años antes.

Si piensa en los datos, no dé por sentado que son solo palabras y números. Para el CCC, las imágenes de los vehículos representan datos que se pueden aplicar a varios procesos críticos. La CCC había acumulado miles de millones de imágenes a lo largo de su historia, pero las tomaron ajustadores en el lugar del daño del vehículo o en talleres de reparación. Esas fotos requerían cámaras profesionales con tarjetas gráficas especiales para almacenar y enviar las imágenes.

Alrededor de 2012, los ejecutivos de la CCC se dieron cuenta de que las cámaras de los aficionados estaban mejorando a un ritmo rápido y se estaban incorporando a los teléfonos inteligentes. Se imaginaron un futuro en el que los propietarios de los vehículos dañados pudieran tomar sus propias fotos para las estimaciones del seguro y enviárselas directamente desde sus teléfonos. Los ejecutivos esperaban que, sin necesidad de fotógrafos ni cámaras profesionales, el proceso fuera más rápido y rentable. Contrataron a varios profesores de las principales universidades para que exploraran la capacidad. Mientras tanto, los ejecutivos de CCC empezaron a leer sobre un nuevo enfoque de IA para el análisis de imágenes (redes neuronales de aprendizaje profundo) que, con suficientes datos de entrenamiento, a veces podía igualar o superar el análisis humano.

La CCC reunió a un grupo de talentosos científicos de datos que aprendieron a mapear fotos en la estructura de varios vehículos y a anotar o etiquetar las fotos para el entrenamiento. A mediados de 2021, el sistema estaba listo para su despliegue y la USAA lo contrató como uno de sus primeros clientes. El círculo virtuoso de más datos, mejores modelos, más negocios y más datos es lo que hace que la aplicación de imágenes de teléfonos inteligentes por parte de CCC sea tan poderosa. Seguirán llegando nuevos datos a la empresa y se utilizarán para mejorar las estimaciones, las predicciones y otras funciones. Eso ayudará a los clientes de CCC a tomar mejores decisiones, lo que probablemente dé a CCC más negocios y más datos.

. . .

Creemos que las empresas con la adopción más agresiva de la IA, la mejor integración con la estrategia y las operaciones y la mejor implementación lograrán el mayor valor empresarial. Saber lo que hacen los principales adoptantes puede ayudar a otros en su intento de evaluar el potencial de la tecnología para transformar sus negocios. Su organización puede tomar las 10 medidas que se describen aquí para avanzar en la misma dirección.

También creemos que la IA, aplicada estratégicamente y en grandes dosis, será fundamental para el éxito de casi todos los negocios en el futuro. Los datos aumentan a un ritmo rápido y eso no va a cambiar. La IA es un medio de dar sentido a los datos a escala y de garantizar la toma de decisiones inteligentes en toda la organización. Eso tampoco va a cambiar. La inteligencia artificial llegó para quedarse. Las empresas que lo apliquen con vigor dominarán sus sectores en las próximas décadas.

Nota del editor: Thomas H. Davenport y Nitin Mittal son los autores de Todo en la IA: cómo las empresas inteligentes ganan a lo grande con la inteligencia artificial (Harvard Business Review Press, 2023), de la que se ha adaptado este artículo.

Una visión fascinante de las empresas pioneras que utilizan la inteligencia artificial para crear nuevas ventajas competitivas

Cómprelo aquí