La inteligencia artificial ha pasado de la fase experimental a la de la productividad.
Lo que ahora nos obliga a enfrentarnos a una gran pregunta: ¿qué obtiene a cambio la empresa?
A estas alturas, la mayoría de las organizaciones han invertido en modelos, infraestructura, aplicaciones y agentes. Esas inversiones están empezando a generar flujos de trabajo más rápidos, capacidades «ne» y casos de uso prometedores. Pero también pueden generar otra capa de trabajo en torno a la propia IA.
Los equipos preparan los datos, concilian registros contradictorios, recopilan el contexto que falta, validan los resultados e investigan cómo la IA ha llegado a sus conclusiones. La tecnología puede acelerar una parte de un proceso, al tiempo que crea un nuevo flujo de trabajo de validación a su alrededor.
Ese esfuerzo oculto es el «impuesto de confianza de la IA». Y puede consumir silenciosamente parte del valor que la IA estaba destinada a crear.
Para combatir este «impuesto», el siguiente paso es reducir el trabajo evitable que rodea a la IA. De ese modo, una mayor parte de la inversión se traduce en valor cuantificable.
Empieza por la decisión que el agente debe mejorar
Es tentador iniciar una iniciativa de IA preguntándose dónde se podría implementar un agente. Empezar por la decisión o el flujo de trabajo que se desea mejorar dota al proyecto de un objetivo más claro.
¿Qué debería hacerse más rápido? ¿En qué aspectos una mayor coherencia podría aportar valor? ¿Qué pasos manuales ralentizan el proceso actualmente? ¿Qué significaría para la empresa un mejor resultado?
A partir de ahí, determina qué necesitará la IA para tomar o respaldar esa decisión:
- ¿Qué ámbitos de datos están implicados?
- ¿Qué normas y políticas empresariales se aplican?
- ¿Qué nivel de revisión humana es adecuado?
- ¿Qué pruebas se necesitarían para explicar o defender el resultado?
- ¿Cómo evaluará la empresa si el flujo de trabajo ha mejorado?
Un agente genera valor al mejorar un proceso significativo con la combinación adecuada de rapidez, coherencia, contexto y control. La autonomía puede formar parte de esa ecuación, pero no debería ser el único indicador de éxito.
Ofrece a la IA una visión completa del negocio
La calidad de los datos sigue siendo fundamental. A medida que la IA asume decisiones que abarcan toda la empresa, también necesita las relaciones y el contexto que conectan los registros individuales.
Pensemos, por ejemplo, en un agente que respalda una decisión sobre un producto. Los datos del producto pueden ser fundamentales, pero el agente también podría necesitar información sobre los proveedores, las expectativas de los clientes, el estado de las existencias, los datos de ubicación, las condiciones contractuales o los requisitos normativos.
Sin esas conexiones, la IA podría generar una respuesta que parezca razonable, pero que carezca del contexto necesario para utilizarla con confianza.
El reto de los datos de la IA abarca ahora la calidad, las relaciones, el contexto y el control.
Esto implica proporcionar a la IA acceso a registros precisos y al significado empresarial que los rodea. Debe comprender:
- cómo se relacionan los productos, los clientes, los proveedores, las ubicaciones y los activos
- Qué definiciones, clasificaciones y jerarquías utiliza la empresa
- Qué políticas y normas rigen una decisión
- Quién puede acceder a la información, modificarla, aprobarla o actuar en función de ella
- De dónde proceden los datos subyacentes
- Cómo se puede rastrear y explicar el resultado
En conjunto, estos elementos convierten un conjunto de registros en un contexto empresarial. También pueden reducir el trabajo de preparación, conciliación e investigación que realizan los equipos una vez que ya se ha generado un resultado de la IA.
Elige dónde utilizar la IA y dónde crearla
No existe una única vía para incorporar los agentes a la empresa.
Algunos casos de uso son comunes y repetibles. Una funcionalidad lista para usar que se pueda configurar en función de su modelo de datos puede ser la vía más rápida para obtener valor.
Otros flujos de trabajo pueden reflejar sus procesos, datos y conocimientos específicos, lo que a su vez puede requerir agentes personalizados diseñados en función de cómo funciona realmente la empresa.
Es probable que la mayoría de las organizaciones utilicen una combinación de ambos.
En cualquier caso, los agentes deben funcionar bajo los mismos controles de gobernanza y empresariales que los datos que utilizan.
Los requisitos de permisos, seguridad, coordinación, trazabilidad y revisión deben formar parte del diseño del agente desde el principio. Añadirlos más adelante genera más trabajo y puede limitar la confianza con la que la empresa utiliza esta funcionalidad.
Esto cobra aún más importancia cuando los agentes operan en distintos ámbitos. Un agente que extraiga datos de productos, clientes, proveedores y ubicaciones debe respetar las normas, la titularidad y los permisos que rigen dichos registros.
Una mayor autonomía exige medidas de protección más sólidas.
Mide el rendimiento y el esfuerzo necesario para confiar en él
Medir la adopción de la IA es relativamente sencillo. Las organizaciones pueden contabilizar las implementaciones, los usuarios, las interacciones, las tareas completadas y el tiempo ahorrado.
Una medición más completa del valor de la IA también tiene en cuenta el trabajo que rodea a esos resultados.
Plantéate hacer un seguimiento de:
- El tiempo dedicado a preparar los datos para la IA
- Tiempo dedicado a validar o corregir los resultados
- Registros y fuentes conciliados manualmente
- Resultados que requieren intervención humana
- Capacidad para rastrear un resultado hasta los datos subyacentes
- Tiempo necesario para completar el flujo de trabajo objetivo
- Mejoras en la productividad, los costes, los ingresos o la experiencia
En conjunto, estos indicadores ofrecen una visión más clara del rendimiento.
Un flujo de trabajo puede parecer más rápido hasta que un equipo de datos tenga que dedicar horas a resolver inconsistencias antes de que nadie pueda utilizar el resultado. Un agente puede completar más tareas sin generar más valor si los empleados tienen que revisar y corregir su trabajo repetidamente.
El criterio humano seguirá siendo esencial, sobre todo cuando las decisiones tengan consecuencias significativas a nivel financiero, normativo, operativo o para los clientes. Unos datos, un contexto y una gobernanza mejores ayudan a las personas a centrar ese criterio donde más valor aporta.
El objetivo es reducir el número de problemas evitables que hay que corregir y disponer de mejores fundamentos para las decisiones que las personas aún deben tomar.
Transformar la actividad de la IA en inteligencia fiable
La IA ya ha demostrado que puede generar más inteligencia. La siguiente fase consiste en hacer que esa inteligencia sea lo suficientemente fiable como para respaldar acciones significativas.
Esa evolución comienza con datos fiables. Avanza a través de un contexto empresarial conectado, una gobernanza clara, la explicabilidad y la trazabilidad. En conjunto, esos elementos crean inteligencia fiable: inteligencia sobre la que tanto las personas como la IA pueden actuar con confianza.
Las facturas de la IA ya se están acumulando. Para mejorar la rentabilidad, es hora de examinar qué está produciendo la IA, qué se necesita para confiar en sus resultados y cuánto valor queda una vez finalizado el trabajo de validación.
La verdadera medida del progreso de la IA va más allá del número de agentes que se implementan.
Lo importante es con qué grado de confianza esos agentes pueden contribuir a la toma de decisiones que se mantengan en el tiempo.
