Por qué las inversiones en IA no cumplen sus objetivos

0
9

Según dos informes recientes de Gartner, el 85% de los proyectos de inteligencia artificial (IA) y aprendizaje automático no se cumplen, y solo el 53% de los proyectos pasan de los prototipos a producción. Sin embargo, los mismos informes indican pocas señales de una desaceleración en las inversiones en inteligencia artificial. Muchas organizaciones planean aumentar estas inversiones.

Muchas de estas fallas se pueden evitar con un poco de mentalidad empresarial basada en el sentido común. Los impulsores para invertir son poderosos: FOMO (miedo a perder la oportunidad), así como una burbuja de inversión de capital de riesgo en empresas de inteligencia artificial con grandes presupuestos de marketing y, hasta cierto punto, un reconocimiento de la necesidad genuina de aprovechar la toma de decisiones basada en la inteligencia artificial y el paso a una industria basada en los datos.

En lugar de pensar en un proyecto de inteligencia artificial o aprendizaje automático como una única y maravillosa oportunidad -como lo son actualizar una base de datos o adoptar un nuevo sistema CRM-, es mejor pensar en la inteligencia artificial como una inversión de capital a la antigua, similar a cómo un fabricante justificaría la adquisición de una máquina cara.

El fabricante no se centraría en la máquina como un juguete nuevo y brillante, de la misma manera que muchas organizaciones miran a la inteligencia artificial y al aprendizaje automático. La decisión de compra tomaría en consideración el área ocupada, los repuestos, el mantenimiento, la capacitación del personal, el diseño del producto y los canales de comercialización y distribución del producto nuevo o mejorado. El mismo pensamiento se debe realizar para incorporar a la organización una nueva inteligencia artificial o un sistema de aprendizaje automático.

A continuación, seis errores comunes que las organizaciones cometen cuando invierten en inteligencia artificial y aprendizaje automático.

Poner el carruaje delante del caballo
Embarcarse en un programa de analítica sin saber qué pregunta está tratando de responder es ir directamente hacia una decepción. Es fácil apartar la vista de la pelota cuando hay tantas distracciones. Los autos autónomos, el reconocimiento facial, los drones autónomos y cosas por el estilo son maravillas de la actualidad, y es natural querer jugar con ese tipo de juguetes. No pierda de vista el valor de negocio principal que la inteligencia artificial y el aprendizaje automático aportan: tomar mejores decisiones.

Las decisiones basadas en datos no son nuevas. En solo 10 páginas, R.A. Fischer, posiblemente el primer ‘científico de datos’ del mundo, describió los elementos esenciales para tomar decisiones basadas en datos en un artículo de 1926, «The Arrangement of Field Experiments” [PDF]. La investigación de operaciones, Six Sigma y el trabajo de estadísticos como Edwards Deming ilustran la importancia de analizar los datos, frente a los límites calculados estadísticamente, como una forma de cuantificar la variación en los procesos.

En resumen, debe comenzar por considerar la inteligencia artificial y el aprendizaje automático como una forma de mejorar los procesos de negocio existentes, en lugar de como una nueva oportunidad de negocio. Empiece por analizar los puntos de decisión en sus procesos y pregunte: «Si pudiéramos mejorar esta decisión en un x%, ¿qué efecto tendría en nuestro resultado final?”

Descuidar el cambio organizacional
La dificultad para implementar la gestión del cambio es un gran factor que contribuye al fracaso general de los proyectos de inteligencia artificial. No hay escasez de investigaciones que demuestren que la mayoría de las transformaciones fallan y que la tecnología, los modelos y los datos son solo una parte de la historia. Igualmente importante es la mentalidad de un empleado que prioriza los datos. De hecho, el cambio de mentalidad de los empleados puede ser incluso más importante que la propia inteligencia artificial. Una organización con una mentalidad basada en los datos podría ser igual de eficaz con hojas de cálculo.

El primer paso hacia una iniciativa de inteligencia artificial exitosa es generar confianza en que las decisiones basadas en datos son superiores a la intuición o la tradición. Los esfuerzos de los científicos de datos ciudadanos han fracasado en su mayoría porque los gerentes de las líneas de negocios o de la alta gerencia se aferran a la sabiduría recibida, carecen de confianza en los datos, o se niegan a cederle su autoridad para la toma de decisiones a un proceso de analítica. El resultado es que la actividad analítica «de base” -y también muchas iniciativas de arriba hacia abajo- han producido más interés, curiosidad y creación de currículums que la transformación empresarial.

Si existe algún lado positivo es que el cambio organizacional y los problemas relacionados se han estudiado ampliamente. El cambio organizacional es un área que pone a prueba el temple de los mejores equipos ejecutivos. No se puede lograr emitiendo órdenes desde arriba; requiere cambiar mentes y actitudes, de manera suave, hábil y generalmente lenta, reconociendo que cada individuo responderá de manera diferente a los empujones hacia los comportamientos deseados. En general, han surgido cuatro áreas de enfoque: comunicación, liderar con el ejemplo, compromiso y mejora continua, todas las cuales están directamente relacionadas con el proceso de gestión de las decisiones.

Cambiar la cultura organizacional en torno al campo de la inteligencia artificial puede ser especialmente desafiante dado que las decisiones basadas en datos a menudo son contrarias a la intuición. Para generar la confianza en que las decisiones basadas en los datos son superiores a la intuición o a la tradición, se requiere de un elemento de lo que se denomina «seguridad fisiológica”, algo que solo las organizaciones con liderazgo más avanzadas han dominado. Se ha dicho tantas veces que tiene un acrónimo: ITAAP, que significa «todo se trata de las personas”. Los programas exitosos suelen dedicar más del 50% del presupuesto a la gestión del cambio. Yo diría que debería estar más cerca del 60%; el 10% adicional se destina a un programa de analítica de personas específico del proyecto en la oficina del director de recursos humanos.

Esperar resultados rápidos
Así como no puede construir una cultura de datos de la noche a la mañana, no debe esperar beneficios transformacionales inmediatos de los proyectos de analítica. Una iniciativa exitosa de inteligencia artificial o aprendizaje automático requiere experiencia en personas, procesos y tecnología, y una buena infraestructura de apoyo. Adquirir esa experiencia no sucede rápidamente. Se necesitaron muchos años de esfuerzo concertado antes de que Watson de IBM pudiera ganar Jeopardy o AlphaGo de DeepMind pudiera derrotar a un campeón de Go humano.

Muchos proyectos de inteligencia artificial fracasan simplemente porque están más allá de las capacidades de la empresa. Esto es especialmente cierto cuando se intenta lanzar un nuevo producto o línea de negocio basada en inteligencia artificial. Simplemente existen demasiadas partes móviles involucradas en la construcción de algo desde cero para que haya muchas posibilidades de éxito.

Como afirmó Harry El Sucio en «Magnum Force”, «Un hombre debe conocer sus limitaciones”, y esto también se aplica a las empresas. En las grandes empresas, existen innumerables decisiones de negocio que se toman a diario, las cuales podrían automatizarse mediante la inteligencia artificial y los datos. En conjunto, aprovechar la inteligencia artificial para mejorar las pequeñas decisiones ofrece mejores rendimientos de la inversión. En lugar de apostar por una posibilidad remota, las empresas estarían mejor si comenzaran con inversiones menos glamorosas y menos arriesgadas en inteligencia artificial y aprendizaje automático para mejorar sus procesos existentes. Es posible que la sala de prensa no se dé cuenta, pero los contadores sí.

Incluso si ya está utilizando con éxito la inteligencia artificial para tomar decisiones basadas en datos, mejorar los modelos existentes puede ser una mejor inversión que embarcarse en nuevos programas. Un informe del 2018 de McKinsey, «¿Cuál es el valor de un mejor modelo?”, sugiere que incluso pequeños aumentos en la capacidad de predicción pueden generar enormes aumentos en el valor económico.

Tener una estructura organizativa inadecuada para la analítica
La inteligencia artificial no es una tecnología plug and play, que ofrece un rendimiento inmediato de la inversión. Requiere un cambio de mentalidad en toda la organización y un cambio en las instituciones internas para que coincida. Por lo general, hay un enfoque excesivo en el talento, las herramientas y la infraestructura, y se presta muy poca atención a cómo debería cambiar la estructura organizativa.

Será necesaria alguna estructura organizativa formal, con el apoyo de la alta gerencia, para lograr la masa crítica, el impulso y el cambio cultural necesarios para convertir una empresa tradicional no analítica en una organización basada en datos. Esto requerirá nuevos roles y responsabilidades, así como un «centro de excelencia”. La forma que debe tomar el centro de excelencia (COE, por sus siglas en inglés) dependerá de las circunstancias individuales de la organización.

En términos generales, un modelo bicameral parece funcionar mejor, donde el núcleo de las responsabilidades de la inteligencia artificial se maneja de forma centralizada, mientras que los «satélites” del COE, integrados en las unidades de negocio individuales, son responsables de coordinar la entrega. Esta estructura generalmente da como resultado una mayor coordinación y sincronización entre las unidades de negocio, y conduce a una mayor propiedad compartida de la transformación de la inteligencia artificial.

El COE, dirigido por un director de analítica, está mejor posicionado para manejar las responsabilidades como desarrollar programas de educación y capacitación, crear bibliotecas de procesos de inteligencia artificial (metodología de ciencia de datos), producir el catálogo de datos, construir modelos de madurez y evaluar el desempeño del proyecto. Esencialmente, el COE se encarga de las tareas que se benefician de las economías de escala. Estos también incluirán el fomento del talento en inteligencia artificial, la negociación con proveedores de datos de terceros, el establecimiento de estándares de gobernanza y tecnología, así como el impulso de comunidades de inteligencia artificial internas.

Los representantes del COE en las distintas unidades de negocios están mejor posicionados para brindar capacitación, promover la adopción, ayudar a identificar las ‘decisiones aumentadas’ en base a la inteligencia artificial, mantener las implementaciones, incentivar los programas y, en general, decidir dónde, cuándo y cómo introducir iniciativas de inteligencia artificial en el negocio. Los representantes de la unidad de negocios podrían ser ‘aumentados’ en base al proyecto por un «equipo SWAT” del COE.

No incorporar inteligencia en los procesos comerciales
Uno de los obstáculos más comunes para conseguir valor a partir de las iniciativas de inteligencia artificial es la incorporación de insights de datos en los procesos de negocio existentes. Este desafío de la «última milla” es también uno de los más fáciles de resolver utilizando un sistema de gestión de reglas de negocio (BRMS, por sus siglas en inglés). El BRMS es una tecnología madura, que se ha instalado en grandes cantidades desde principios de la década del 2000, y ha ganado una nueva vida como vehículo para implementar modelos predictivos. El BRMS constituye un punto de decisión ideal en un proceso de negocio automatizado que es manejable y confiable. Si su empresa no utiliza un sistema BPM (gestión de procesos de negocios) para automatizar (así como optimizar y racionalizar) los procesos de negocio centrales, deténgase aquí. No necesita inteligencia artificial, primero necesita lo básico, es decir, BPM y BRMS.

La mayoría de los sistemas modernos de gestión de reglas de negocio incluyen administración de modelos y opciones de implementación basadas en la nube. En un escenario de nube, los científicos de datos ciudadanos podrían crear modelos utilizando herramientas como Azure Machine Learning Studio e InRule BRMS, en donde los modelos se implementan directamente en los procesos de negocio a través de terminales REST. Una combinación basada en la nube como esta permite una fácil experimentación con el proceso de toma de decisiones a un costo mucho más razonable que un programa de inteligencia artificial completo.

No experimentar
Ahora llegamos al otro lado de la moneda. ¿Cómo se utiliza la inteligencia artificial para crear nuevos modelos de negocio, irrumpir en los mercados, crear nuevos productos, innovar y llegar audazmente a donde nadie ha ido antes? Las start ups respaldadas por capitalistas de riesgo tienen una tasa de fracaso de aproximadamente el 75% y están a la vanguardia de los modelos de negocio de inteligencia artificial. Si su nuevo producto basado en inteligencia artificial o sus iniciativas de negocio tienen una tasa de fracaso más baja, entonces está superando a algunos de los mejores inversores que existen.

Incluso los expertos en tecnología más elitistas fracasan con frecuencia. Eric Schmidt, ex director ejecutivo de Google, reveló algunos de los métodos de la compañía durante su testimonio ante el Senado del 2011:

«Para darle una idea de la escala de los cambios que considera Google, en el 2010 realizamos 13.311 evaluaciones de precisión para ver si los cambios propuestos en el algoritmo mejoraban la calidad de sus resultados de búsqueda; 8.157 experimentos en paralelo, en los que se presentaron dos conjuntos de resultados de la búsqueda a un panel de evaluadores humanos, y los evaluadores clasificaron qué conjunto de resultados era mejor; así como 2.800 evaluaciones de clics para ver de qué manera una pequeña muestra de usuarios de Google respondió al cambio en la vida real. En última instancia, el proceso dio como resultado 516 cambios que se determinaron como útiles para los usuarios en función de los datos y, por lo tanto, se realizaron en el algoritmo de Google. La mayoría de estos cambios son imperceptibles para los usuarios, y afectan a un porcentaje muy pequeño de páginas web, pero cada uno de ellos se implementa solo si creemos que el cambio beneficiará a nuestros usuarios”.

Eso equivale a una tasa de fracaso de 96% para los cambios propuestos.

La lección clave que nos deja esto es que, inevitablemente, se producirá una falla. La diferencia entre Google y la mayoría de las otras empresas es que la cultura basada en datos de Google le permite aprender de sus errores. Note también la palabra clave en el testimonio de Schmidt: experimentos. La experimentación es la forma en que Google -al igual que Apple, Netflix, Amazon y otras empresas líderes en tecnología- se las ha arreglado para beneficiarse de la inteligencia artificial a gran escala.

La capacidad de una empresa para crear y perfeccionar sus procesos, productos, experiencias de los clientes y modelos de negocios está directamente relacionada con su capacidad para experimentar.

¿Qué sigue?
Al igual que la revolución industrial arrasó con las empresas que no adoptaron la fabricación de máquinas en lugar de los productos hechos a mano, el cambio radical de la inteligencia artificial y el aprendizaje automático acabará con las empresas que no se adapten al nuevo ambiente. Aunque es tentador pensar que los desafíos de la inteligencia artificial son principalmente técnicos y culpar a las fallas de la tecnología, la realidad es que la mayoría de los fracasos de los proyectos de inteligencia artificial se producen en la estrategia y en la ejecución.

En muchos sentidos, esta es una buena noticia para las empresas. Los desafíos de negocios «a la antigua” detrás de los fracasos de los proyectos de inteligencia artificial se comprenden bien. Si bien no puede evitar los cambios necesarios en la cultura, la estructura organizacional y los procesos de negocios, puede sentirse cómodo sabiendo que se han trazado las rutas; el desafío consiste en dirigir el barco y evitar las rocas. Comenzar con experimentos pequeños y simples en la aplicación de la inteligencia artificial a procesos existentes le ayudará a adquirir una experiencia valiosa antes de embarcarse en viajes más largos de inteligencia artificial.

Steve Núñez InfoWorld.com

Artículo anteriorCómo los CISOs escapan de la trampa del centro de costos
Artículo siguienteCómo construir una cultura ‘cloud’ para atraer y retener a profesionales cualificados