Índice del artículo
La inteligencia artificial no es sencilla en absoluto; por ello, en este artículo abordaremos algunos consejos que puedes seguir para crear el mejor caso de uso.
Si alguna vez has aspirado a convertirte en un líder de innovación en tu organización, estoy seguro de que has experimentado mil maneras de resistencia al cambio cuando planteas algún proyecto que involucre tecnologías emergentes, en especial cuando se trata de inteligencia artificial.
Mucha de esa resistencia nace de la falta de comprensión que hay alrededor de ella. No es que el C-Level no quiera implementarla, sino que no la entienden —es normal, hay que decirlo—. En el mejor de los casos, le dan el mismo enfoque que a cualquier otro proyecto de TI en cuanto al alcance, los recursos humanos, económicos y tecnológicos y, sobre todo, en lo que respecta al Retorno de Inversión.
Si vemos lo que sucede en el sector industrial, hay un grado de complejidad mayor porque pocas empresas tienen los recursos para crear áreas de ciencia de datos que se dediquen a iterar y experimentar con estas tecnologías hasta darle al clavo. Pero quienes no pertenecen a este selecto grupo tienen poco tiempo y recursos para crear casos de uso que no sólo mejoren un proceso de producción, sino que se traduzca en resultados finales —porque en este punto tendemos a ser muy numéricos—.
Consejos para proyectos de inteligencia artificial
Por ello me di a la tarea de ofrecerte algunos consejos que, desde nuestra experiencia, han sido estratégicos para implementar proyectos con alto potencial en las empresas con las que hemos trabajado, facilitando la transición para adoptar estas tecnologías con el enfoque adecuado. Entenderlo es clave si atendemos una cifra de Gartner: para 2024, 75% de las organizaciones pasará de pruebas piloto a proyectos más operativos y funcionales con inteligencia artificial. Así que más vale hacerlo bien:
1. Olvida las modas, enfócate en el problema
¿Recuerdas la famosa frase de Uri Levine, cofundador de Waze: “Enamórate del problema, antes que de la solución”? Sería interesante conocer las tasas de éxito entre las empresas que implementan tecnologías por moda frente a las que lo hacen para resolver un problema de negocio. Podría apostar ciegamente que las primeras no tienen mucho de qué presumir. No nos olvidemos que la finalidad de la tecnología es facilitarnos la vida, simplificar cierta tarea, lograr algo en menos pasos. En suma, ganar en eficiencia y productividad. Por ello, sugiero que antes de invertir en alguna licencia de software, por poner un ejemplo, pienses en un problema relevante de tu negocio, un proceso donde pierdas dinero que te gustaría resolver. Para ello, ten sesiones con tus equipos operativos de y TI y llega al fondo de la cuestión, porque son ellos quienes conocen los procesos y saben esos detalles que le cuestan a la organización. Una vez que identifiques esto, el segundo paso es saber si ese problema es susceptible de resolverse con inteligencia artificial —así es, la IA no es una varita mágica que utilizas para todo—. Sólo de esta forma tendrás mayor posibilidad de lograr un buen retorno de inversión.
2. La importancia de entender por qué lo haces
De acuerdo con la firma alemana Siemens, “enfocarte únicamente en analizar los datos no funcionará (para tener éxito con la IA)”. La frase es muy útil para entender todo lo que conlleva un proyecto de este tipo. Antes de extraer datos, almacenarlos, explotarlos, etcétera, hay que entender para qué lo estamos haciendo, no sólo con el caso de uso, sino con los resultados que estamos buscando. Esto implica alinear todo proyecto con la estrategia de la organización. Este enfoque nos permitirá ser más eficientes en todo el proceso de explotación de los datos, así como en la adopción de las herramientas tecnológicas para lograrlo.
3. De una vez por todas define correctamente el ROI
Si tus proyectos de Industria 4.0 no ofrecen resultados, algo estás haciendo mal —incluso, puede ser que estés eligiendo los incorrectos—. Es un hecho que todo proyecto con IA debe ofrecer un retorno a la inversión, pero debemos entender claramente cuál es ese retorno.
No todo se reduce a un resultado económico de corto plazo, aunque es muy importante. También hay resultados operativos y estratégicos cuya cuantificación es complicada, pero que aportan a la organización. Por ejemplo, un proyecto de IA para inspección de calidad no sólo reduce la tasa de defectos en X porcentaje (este sería el ROI económico y operativo cuantificable), sino que suma capacidades digitales a la organización, porque aporta conocimientos y habilidades en IoT y ciencia de datos a los equipos involucrados, además de toda la infraestructura para la explotación de los datos que va sumando la organización. Si lo piensas a largo plazo, es como ponerte en la carrera para convertirte en un negocio data driven, donde cada proyecto aporta capacidades y es un paso en esa dirección. Por ello es clave que entiendas el ROI con todos sus matices y dejes de lado la tentación de verlo como cualquier otro proyecto de TI.
Espero que estos tips consejos para implementar inteligencia artificial con el mejor casi de uso sean de utilidad para tu negocio y que tus proyectos de Industria 4.0 lleguen a buen puerto.
Este artículo se publicó originalmente en el sitio web de Forbes México