¿Cuál es el impacto de la Inteligencia Artificial en los negocios?

En este artículo me gustaría apartarme un poco de la línea más didáctica que he seguido hasta ahora en Crónicas de un humano en la Era Digital e introducir algún tema de actualidad que me permita explorar nuevas categorías de artículos que también han de tener cabida en este blog.

Un tema que me preguntan frecuentemente en los cursos que doy sobre Inteligencia Artificial (IA) es cómo se ha de integrar la IA en los procesos  que siguen las empresas en sus operaciones y aún más allá, cómo puede cambiar la IA sus modelos de negocio. ¿He de entrar en la IA o eso sólo es para empresas grandes y/o de base tecnológica? Al fin y al cabo lo que hacen Google, Facebook o Amazon, no tiene nada que ver con las preocupaciones de mi negocio….juegan en otra liga. ¿Por dónde empiezo?

Vaya por delante, que cada empresa es un mundo y que sería presuntuoso por mi parte decirle a nadie cómo ha de integrar la IA en su negocio o si puede usar la IA para obtener ventajas competitivas a través de un nuevo modelo de negocio. Lo que sí puedo hacer es sugerir dónde se puede mirar dentro de una empresa a fin de encontrar aquellas tareas para las cuales la IA presenta las mejores oportunidades para ampliar las capacidades y productividades de los trabajadores que las están realizando.

Diversos estudios sobre la automatización de los puestos de  trabajo gracias a la IA y su efecto sobre el empleo, entre ellos el de McKinsey (2017), señalan que es de esta simbiosis trabajador/IA (otro principio básico) donde se obtienen las mayores productividades (estimadas en 0,8 puntos incremento de la productividad en el PIB mundial por este efecto combinado).

En el contexto de este artículo voy a usar Inteligencia Artificial (IA) y ML (Aprendizaje Automático o Machine Learning) de manera completamente sinónima. Si bien la segunda es un subconjunto de la primera, el desarrollo y aplicación práctica del ML está siendo tan grande que ha eclipsado a su hermano mayor.

La IA puede utilizarse en cualquier rincón de la empresa

En la siguiente figura, puede observarse que cualquier parte de la empresa, tanto sus elementos centrales alrededor del cliente y del producto/servicio, como los de estrategia, logística o soporte del negocio, es susceptible de beneficiarse, al menos en su formulación inicial,  de las técnicas de aprendizaje automático (Machine Learning) y de ciencia de datos (Data Science), ambas con una fuerte componente estadística y posteriormente, conforme incremente el nivel de automatización, de todas las posibilidades de la IA (planificación, toma de decisiones, razonamiento, etc.).

Las propuestas (en rojo) no son más que sugerencias de aplicaciones típicas en cada proceso, pero en modo alguno se acaban ahí las técnicas utilizables. Este dibujo se ha de tomar como un primer bosquejo genérico.

Decidir cuál es el proceso de negocio a automatizar a través de la IA/ML

Vale, cualquier elemento del negocio es susceptible de mejora a través de la IA/ML. Está bien saberlo, porque nos abre la mente, cuando a lo mejor antes sólo pensábamos en robots de línea de producción, transpalés automáticas o en recomendadores de productos para nuestro clientes, pero eso no nos acerca demasiado a una posible solución, pues igual que sucede con las iniciativas de calidad, no podemos abordar todas las iniciativas de mejora simultáneamente, así que…..¿cómo podemos elegir?

Los criterios de selección son, a mi juicio, tres, en orden cronológico a su necesidad de utilización:

1. Que la introducción de la IA en una tarea determinada permita superar, ampliar o extender las capacidades de los trabajadores debido a los limitaciones cognitivas de los seres humanos.
2. Que la mejora de dicha tarea tenga un impacto relevante en el negocio en su conjunto, no sólo en una parte de él, como un departamento o una línea.
3. Qué dispongamos de datos suficientes para entrenar nuestro sistema IA/ML o al menos de tiempo suficiente a lo largo del proyecto de cambio para obtener estos datos.

Aunque este es a mi juicio el orden natural a seguir, voy a comenzar por el último paso por ser el más fácil de ventilar.

Disponer de datos suficientes

En general,  a mayor nivel de complejidad de un sistema (otro principio básico), mayor cantidad de datos tenemos que hacer para hacer avances en su comprensión.  Así que una vez decidida la tarea o tareas susceptibles de aplicación de técnicas de IA/ML, hemos de asegurarnos de que disponemos de datos en cantidad suficiente para «aprender» esta complejidad y no simplemente memorizarla.

En el paradigma anterior, que denominaré software 1.0, el programador capturaba en un programa las reglas y requisitos del experto en el dominio y producía datos de salida a partir de los de entrada, de manera que cualquier desviación entre los resultados esperados y la realidad eran analizados por el experto del dominio, para que volvieran a ser codificados por el programador y así sucesivamente.

Con la IA/ML nos encontramos en lo que uno de los gurús del aprendizaje profundo, Andrej Karpathy, denomina software 2.0, en los cuales los datos toman el papel que tradicionalmente adoptaba el programa y el algoritmo de aprendizaje toma el rol del programador.

Luego los datos son el combustible necesario para que los algoritmos de aprendizaje hagan su trabajo. ¿Cuántos datos hacen falta?….., cuantos más, mejor. Aunque las situaciones particulares y los sectores específicos puedan hacer variar considerablemente la cifra en cada caso, una buena referencia práctica es disponer de un mínimo de seis meses de datos.

La otra pieza importante antes de intentar aprender nada de forma automática es la del preprocesado de los datos para su manipulación: captación de fuentes internas (bases de datos, hojas de cálculo, log de servidores) y externas de la empresa (redes sociales, búsquedas, etc.), su limpieza, depuración y normalización, que son las tareas que hace normalmente la función de Ciencia de Datos (Data Science).

Como resumen de este punto, se puede observar la extraordinaria importancia de modificar nuestros sistema estratégicos y de gestión para estar ambos completamente orientados a los datos, en definitiva, hemos de convertir nuestras empresas en organizaciones dirigidas por los datos.

Superar las limitaciones cognitivas

Tal y como señala en su libro «The deep learning  AI playbook» el investigador de IA, Carlos E. Pérez, existen cuatro limitaciones cognitivas del cerebro humano que nos proporcionan los recursos necesarios para entender dónde la IA puede entregar valor a nuestros clientes, siendo el valor la alineación de nuestro producto/servicio con el contexto de uso que de él hacen nuestro clientes.

1. Falta de Memoria: la memoria es nuestra capacidad para recordar información. Esta capacidad se amplía mediante el uso de aplicaciones de búsqueda. La búsqueda opera de forma parecida  a nuestra memoria en el sentido de que es asociativa, esto es, se puede encontrar algo sólo recordando una parte del contenido original.

La mejora más típica en esta limitación es la de ampliar, especialmente gracias al Aprendizaje Profundo (Deep Learning o DL), las formas de expresar una interrogación que se usa en una búsqueda, ya que ahora se podrán usar imágenes, voz, dibujos y hasta gestos para crear interrogaciones.

La otra mejora, especialmente de nuevo gracias al DL, es en la determinación de la relevancia y la clasificación  de los resultados de la búsqueda. Es decir, que podemos proporcionar al usuario resultados más inteligentes devolviendo los resultados que reflejan de manera más precisa el contexto del usuario.

2. Necesidad de actuar rápido: muchas tareas cognitivas humanas de clasificación ya puede ser realizadas hoy en día de forma más rápida, especialmente gracias al DL. También es crítico en sistemas en tiempo real, como por ejemplo en los coches autónomos, donde los sistemas inteligentes ya son capaces de anticipar un accidente incluso uno segundo o dos antes de que se produzca como puede verse en este video.

El pensamiento se puede ralentizar cuando para llegar a una solución hemos de lidiar con la aparición de múltiples ideas. El ejemplo típico en este sentido es la función «Autocompletar», que se puede usar para ayudar a un usuario a encontrar alternativas rápidamente o a solucionar errores.

Otra aplicación posible: la búsqueda de soluciones o la generación de modelos, nos permiten explorar muchas ejemplos de soluciones que de otra manera no tendríamos la paciencia o el tiempo de explorar.

3. Falta de significado:  desde el punto de vista de la IA, el problema de añadir significado a la información recibida puede ser visto como una tarea de traducción, como añadir significado a una frase que está escrita en una lengua que no entendemos.

Por ejemplo a veces los datos están almacenados en formatos como imágenes o sonidos que son de difícil búsqueda con los motores tradicionales de búsqueda basados en texto. Sin embargo, es posible realizar búsquedas con  sistemas de traducción como imágenes a subtítulos, voz a texto o reconocimiento de caracteres.

4. Demasiada información: la IA y en especial el DL pueden utilizarse para resumir y reducir la información requerida por los seres humanos para tomar decisiones.

También se puede usar la IA para filtrar la información que no es anómala y destacar la información que necesita de nuestra atención. Un uso típico de esto es a través de la técnica de ML denominada «detección de anomalías» (anomaly detection)

El propósito de estos sistemas es  curar constantemente los contenidos y proporcionar la información de una forma en que sea más fácilmente digerible.

Abordar tareas con impacto relevante en el negocio

Este último criterio, es de gran importancia y va mucho más allá de la IA, lo que significa que hemos de contemplar las empresas como sistemas complejos, es decir que el todo no es igual a la suma de sus partes, que es la mentalidad de gestión ampliamente extendida a nivel mundial, cuando se divide a las organizaciones en departamentos que se ocupan cada uno de un área (producción finanzas, marketing, etc.) y con objetivos (parciales) distintos que frecuentemente entran en conflicto. Es por eso que la sincronización de actividades, y el uso de indicadores no contradictorios  y las reuniones de coordinación entre departamentos se convierten en un asunto de gran importancia.

El ejemplo más claro es de aplicación de una suerte de «principio de superposición» de las matemáticas y la física a las actividades de mejora de la calidad, por las que toda mejora de la calidad es buena en sí misma y suma, cuando la realidad es que muchas de ellas no tienen ningún impacto en la cuenta de resultados, ni en ningún otro indicador financiero a nivel global relacionado con el objetivo de la empresa, que no es otro que el de ganar dinero. Además dado que las oportunidades de mejora son casi infinitas, invariablemente acaba «fundiendo» al personal que las tiene que poner en práctica y que ve que muchas de ellas no consiguen nada, con la consiguiente desmoralización de la plantilla.

En nuestro caso como se ha visto se puede aplicar la IA/ML a cualquier proceso de negocio, por lo que igual que en el caso de la calidad, hemos de ser muy selectivos y aplicar nuestros esfuerzos a donde mayor impacto global van a tener.

Bajo el paradigma dominante en los sistemas de gestión de las empresas es posible potenciar  mucho un departamento gracias a la IA y a nivel global acabar perjudicándola. Por ejemplo,  gracias a realizar una segmentación de clientes mucho más personalizada que con los métodos tradicionales, el departamento de Ventas puede mejorar sensiblemente el volumen de facturación. Ahora bien, si  el impacto de este gran incremento de ventas, no es tenido en cuenta el resto de la organización o es minusvalorada por ser las  prestaciones de la IA «desconocidas»,  es posible que estas mejoras locales sean contraproducentes (p.ej. muchas ventas sin que Producción pueda absorber este incremento debido a la innovación o a la ventaja competitiva introducida por el uso de la IA, lo que repercute en retrasos en la entrega prometida, perdida de fiabilidad, cancelación de pedidos y pérdida final de imagen).

No me queda espacio en este artículo para desarrollar este punto, así que por el momento invito al lector interesado a leer sobre la Teoría de las Limitaciones  (Theory of Constraints) del Dr. Eliyahu Goldratt. Baste decir que es un marco de aplicación del método científico a las organizaciones ampliamente probado y con gran éxito (entre otros por Jeff Bezos, CEO de Amazon).

En el caso de procesos de innovación podemos echar mano de otro marco de referencia, también de gran éxito y ampliamente probado, conocido como Innovación dirigida por Resultados, que implica centrarse en «los trabajos a realizar» (Jobs to Be Done o JTBD), para ayudar a nuestro clientes a realizar sus tareas (no las nuestras) mejor: más rápido, de forma más predecible, con mejores resultados o de forma más barata.

Este método ha convertido en ciencia de la innovación lo que antes era simplemente un arte.

Para cerrar este artículo, ahí van un par de conclusiones:

La IA es una necesidad, no una elección

De la misma manera que un banco sin bases de datos no puede competir con un banco que sí dispone de ellas, una empresa sin IA/ML no va a poder competir con otra que sí haga uso de estas técnicas. Si los expertos de la primera pueden producir un millar de reglas para predecir lo que quieren los clientes, los algoritmos de la segunda pueden aprender centenares de millones de reglas, un conjunto completo de reglas para cada cliente individual.

Es tan equilibrado como una batalla de lanzas contra pistolas o como se ve en la imagen de un deportivo frente a un coche antiguo.

La IA no tiene vuelta atrás

Los datos son el petróleo del S.XXI. Las empresas miran a sus datos como un activo estratégico, ¿de qué datos dispongo que no tienen mi competencia? ¿cómo puedo obtener ventaja de ellos? ¿Qué datos dispone la competencia y yo no tengo?

En definitiva, el mundo ya no va a renunciar a los beneficios de la IA/ML, aunque aún no haya calibrado suficientemente sus riesgos.