Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
INTELIGENCIA ARTIFICIAL: EL FUTURO DE LAS EMPRESAS Y LAS PERSONAS. CÓMO Y POR QUÉ INCORPORAR INTELIGENCIA ARTIFICIAL AL EMPRENDIMIENTO EMPRESARIAL Luis Miguel Garay Gallastegui Esic University, España RESUMEN La Inteligencia Artificial (IA) es ya parte de una revolución tecnológica que está modificando la forma en que vivimos, trabajamos y nos relacionamos. Es por ello que el emprendimiento empresarial tiene en consideración las aportaciones de la IA y hacia dónde se dirigen estas tecnologías, dando así sentido empresarial a la expansión de las iniciativas de machine learning. Este análisis permite a las empresas considerar el impacto de estas tecnologías desde un punto de vista de negocio, con sus oportunidades y amenazas, acelerar la innovación y gestionar su uso ético con un liderazgo responsable. PALABRAS CLAVE: Inteligencia Artificial, Transformación Digital, emprendimiento, ética. ABSTRACT Artificial Intelligence (AI) is already part of a technological revolution that is changing the way we live, work and interact. That is why business entrepreneurship takes into consideration the contributions of AI and where these technologies are headed, thus giving business sense to the expansion of machine learning initiatives. This analysis allows companies to consider the impact of these technologies from a business point of view, with their opportunities and threats, accelerate innovation and manage their ethical use with responsible leadership. KEY WORDS: Artificial Intelligence, Digital Transformation, entrepreneurship, ethics. 1. INTRODUCCIÓN La Inteligencia Artificial (IA) es la ciencia de hacer las máquinas inteligentes, sin necesidad de programarlas (Dreyfus, 1992) (Ginsberg, 2012). Los modelos basados en IA cambian su comportamiento en función de los datos que disponen en cada momento y de cómo hayan sido entrenados con ellos. Esta capacidad de adaptación es básica a la hora de predecir de manera flexible la evolución del mercado, las empresas y los clientes, máxime en un contexto donde las reglas de juego se expanden y evolucionan más rápidamente que nunca. Sin embargo, la expansión de la IA impulsa la necesidad urgente de identificar metodologías para diseñar sistemas basados en IA que a la vez aceleren la innovación tecnológica y el desarrollo de la IA a gran escala (Skog, Wimelius and Sanderberg, 2018), y al mismo tiempo cumplan los requisitos éticos exigibles respecto de la privacidad, transparencia, explicabilidad y responsabilidad entre otras. En el estado actual del mercado, es necesario hacer partícipes a todos los interesados en los sistemas basados en la IA, de metodologías que garanticen el comportamiento ético y autónomo de dichos sistemas en un contexto de innovación continua. La innovación es clave para el desarrollo del emprendimiento debido a que el producto de la innovación mejora la competitividad de la empresa y el propio proceso de innovación transforma las capacidades internas permitiendo que la empresa se adapte mejor al cambio. Los modelos de gestión de la innovación relacionan dimensiones como la cultura de la compañía, su visión y estrategia, el estilo de liderazgo, los procesos y el entorno de trabajo (Bettina,2008) o la generación de nuevas ideas para el lanzamiento de procesos (Cooper, 2015). Y es precisamente en el salto que se produce entre la operación tradicional de soluciones conocidas y la revisión constructiva, y la experimentación propia de los ciclos de innovación, donde surge la oportunidad para el cambio y nuevos modelos de negocio de emprendimiento (Morakanyane, Grace and O'Reilly, 2017). Dicha oportunidad requiere para su escalado de una estrategia definida y una gestión ágil orientada a la toma de decisiones basadas en datos, donde la aplicación de la IA adquiere todo sentido. De esta forma, en ámbitos importantes para el emprendimiento y donde la generación de datos es continua como en el ecosistema digital, las empresas realmente están adoptando la IA como factor diferenciador y con cada vez con mayor intensidad, a medida que la entienden mejor y aprenden a usarla. 2. DESARROLLO DE LA CUESTION PLANTEADA Los mercados digitales son empresas que proporcionan una plataforma tecnológica para unir el lado de la demanda y el lado de la oferta, facilitando las transacciones entre partes (Täuscher, K. 2016). En la actualidad, estos modelos de negocio digitales se han sofisticado incorporando el inmenso valor que proporciona la IA. El emprendimiento requiere de un impulso en su posicionamiento digital y acelerar el retorno de sus acciones de marketing y ecommerce (European Commision, 2020). En el corto plazo, la IA aplicada al marketing potencia la obtención de información valiosa y, por lo tanto, la capacidad de predecir más rápidamente, con mayor precisión y de forma mucho más accionable. El conocimiento de los clientes crece de forma importante (Bonnet and Westerman, 2021). En paralelo, dicho conocimiento puede aplicarse a través de los agentes virtuales (Melo-Solarte, D. S., & Díaz, P. A. 2018), y lograr de esta forma que su alcance escale casi de forma exponencial. De igual manera, muchas de las tareas que requieren un alto grado de manualidad, se ven beneficiadas incrementando su productividad y alcance. Por ejemplo, la generación de contenidos automatizada se realiza a una velocidad, escala y calidad que antes se consideraba imposible. En el medio plazo, la IA podría hacer que la integración de nuevas tecnologías de marketing fuera transparente y casi “plug & play”. Las campañas de marketing multicanal que ahora son en gran medida manuales, pasarán a ser orquestadas por la IA en base al “customer journey” en tiempo real de los clientes. También a futuro, se espera que otras muchas aplicaciones de la IA ganen en importancia en el ámbito digital, destacando las siguientes: Experiencias conversacionales: los avances en el procesamiento del lenguaje natural (PLN) permitirán que cada vez más, las personas tengan experiencias conversacionales a través de texto y voz con los ordenadores, también en los procesos de compra. Estas experiencias hoy en día ya son una realidad, pero aún tienen mucho recorrido en reconocer el contexto y la intención de los usuarios de tal forma que la personalización de los contenidos y ofertas sean 100% eficaces. Resolución de identidad: los algoritmos de machine learning ayudan a examinar y mapear miles de millones de impresiones de anuncios publicitarios con cientos de millones de identificadores de dispositivos. En la medida que se avance en esta línea, se logrará una mayor confianza en que el mensaje correcto llegue a la persona adecuada. Orquestación del marketing: a medida que la IA adopte un rol determinante en las tareas de orquestación de campañas de marketing, quedará obsoleto la forma en que en la actualidad se construyen o incluso se gestionan dichas campañas, de manera muy manual, conectando diferentes eventos, contenidos y canales. Capacidad de analítica aumentada: las posibilidades de analítica en base a modelos explicativos y predictivos basados en IA hacen que las capacidades analíticas del marketing se vean enormemente potenciadas. 3. CASOS DE USO DE LA IA En función de los tipos de algoritmos de machine learning que se empleen (supervisado, no supervisado o refuerzo), se obtienen casos de uso que tienen que ver con un aumento de la capacidad de análisis en base al reconocimiento de patrones/clasificación, y/o con una mayor capacidad de predecir situaciones futuras (Gartner, 2017). La IA lleva a cabo el reconocimiento y clasificación de patrones en base a la identificación de las relaciones existentes en los atributos de los objetos, y clasificándolos en clusters o categorías. Esta capacidad de reconocimiento y clasificación se puede utilizar en el ámbito digital en los siguientes casos de uso: Personalización: el negocio puede personalizar sus interacciones con las visitaso clientes, presentando en cada momento el contenido más apropiado con el objetivo de mejorar la conversión o el valor medio del pedido o la mejora de la experiencia de cliente. El reto reside en encontrar cómo diferentes tipos de clientes responden a diferentes contenidos, y el impacto que tiene en los objetivos de negocio. Los modelos tradicionales de personalización usan motores de reglas, cuya actualización es básicamente manual y llegan a ser extremadamente complejos cuando deben tratar con grandes cantidades de datos, lo que lleva a que no sean actualizados de manera muy frecuente. Los modelos basados en IA pueden rápidamente identificar la correlación entre los atributos de clientes y las actividades que se están analizando; navegación, atributos de los productos, preferencias, atribución de campañas… y llegan a poder realizar una auténtica personalización con un nivel de granularidad muy elevado, no solo en base a públicos objetivos. Segmentación de clientes: Esta es normalmente una tarea intensiva en tiempo y recursos. La IA puede incrementar la granularidad de los atributos a utilizar y la precisión de los resultados, a la par que realiza dichas funciones con un nivel de automatización elevado. Además, la IA puede sugerir nuevos clusters o atributos para crear nuevos segmentos, que de otra forma probablemente no serían visibles a primera vista. Identificación del Customer Journey de los Clientes: Esto es parte de la analítica de cliente, donde la IA puede identificar el estado en que se encuentra cada cliente en su funnel de compra. La IA ayuda a identificar al visitante correlando sus actividades y atributos en todos los canales y dispositivos – considerando datos como el device ID, las direcciones MAC, logs de navegaciones, uso de las APPs, actividad en redes sociales, etc. En lo relativo a la capacidad de la IA de proporcionar predicciones probabilísticas de los eventos, aprendiendo de las relaciones que es capaz de identificar entre los datos de entrada y las salidas, se puede usarse en los siguientes casos de uso de los mercados digitales: Modelos de propensión a la compra: predice el comportamiento del cliente como, por ejemplo, la propensión al registro de un cliente, la apertura de un email o la compra de un producto. Esta capacidad permite a las empresas ajustar sus presupuestos y enfocarse en aquellos programas y campañas de marketing con mayores ratios de propensión a la acción. Planificación de las estimaciones de ventas: La anticipación de las previsiones permite ser más eficientes en las cadenas de producción, suministro y operaciones. Tradicionalmente esta tarea es desarrollada por expertos de negocio en base a su experiencia, pero la IA permite una mayor flexibilidad al incorporar un mayor volumen de datos para la toma de decisiones y la posibilidad de actualizar las previsiones tantas veces como sea necesario. 4. RIESGOS DE LA IA En este esperanzador futuro para los entornos digitales claves para el emprendimiento, también es cierto que los profesionales deben superar importantes obstáculos a medida que las capacidades específicas impulsadas por IA se infiltran en el negocio. A modo de ejemplo, éstas son las siguientes: El efecto “caja negra” de ciertas técnicas de IA como, por ejemplo, “machine learning”, plantea la incógnita sobre quién debe asumir la responsabilidad de las decisiones tomadas por los sistemas autónomos, especialmente en aquellos sectores y/o actividades altamente reguladas, abriendo así la puerta a la necesidad de auditorías sobre dichos sistemas. La portabilidad de la “inteligencia” de un sistema a otro, conociéndose esta técnica como la “transferencia de conocimiento”. Saber cómo aplicar y medir la efectividad de la IA debido a su complejidad inherente. Fomentar la confianza entre los responsables del marketing y el propio software basado en IA, lo que conlleva un rediseño de los propios roles de las personas. Información sesgada e incompleta. La información además puede tener muestras de pequeño tamaño, estar mal etiquetada o no ser relevante. Y si es así los resultados no serán los esperados. Un punto importante a tener en cuenta aquí es que los algoritmos de aprendizaje automático son tan buenos como los datos que se utilizan para su entrenamiento. Por lo tanto, los sesgos/errores inherentes a los conjuntos de datos dan lugar a algoritmos con resultados incorrectos. La seguridad de los datos será cada vez más importante. Incluido el cumplimiento de las normativas reglamentarias en materia de protección y almacenamiento de datos personales (GDPR en Europa – Reglamento General de Protección de Datos). Marco ético. La falta de un marco ético, o la incapacidad de una máquina para entender verdaderamente las implicaciones éticas de los resultados. E incluso el monopolio de las entidades y organismos que controlan los datos y por lo tanto, su disponibilidad y uso de forma abierta. Los emprendedores a la hora de aproximarse al uso de la IA deben ejercitar su persistencia y el pensamiento a largo plazo. Exigiendo a los proveedores que demuestren el rol de la IA en sus ofertas y cómo la IA encaja en el roadmap y visión de su producto. Enfocando las iniciativas de IA a corto plazo, en retos de negocio que sean intensivos en el uso de los datos. Ejemplos de ello pueden ser la analítica predictiva y prescriptiva que mejora su precisión con el paso del tiempo, o el contraste y optimización de múltiples escenarios basados en datos aplicados a diferentes segmentos de clientes. Conectando con otros pares dentro de las organizaciones, incluyendo áreas de tecnología, producto, investigación, ventas, finanzas… para lograr un entendimiento común de los proyectos de IA. El uso compartido de los datos forma parte de este ejercicio. Impulsando la implantación de programas de formación para ayudar a los empleados a entender el alcance de la IA y cómo resolver con ella problemas de negocio. Incentivando el uso de la IA para lograr resultados comerciales y así, reducir el estigma que tienen estas tecnologías sobre su posible el impacto en las funciones y perfiles laborales. Priorizando pilotos y pruebas de concepto que permitan contrastar los verdaderos resultados e impactos de la IA en el negocio. Impulsando la escalabilidad en los modelos de IA y huyendo del concepto del “testing continuo” que en ocasiones pesa sobre estas tecnologías. Vigilando la ausencia de “sesgo” en los resultados de los modelos de IA. Adicionalmente, la Inteligencia Artificial se enfrenta a uno de sus mayores retos que es su uso responsable y ético, también dentro de las empresas. Según el informe de Boston Consulting Group (2021), el 55% de las empresas sobreestiman la madurez de sus iniciativas de Inteligencia Artificial responsable. Estos programas se estructuran en torno a tres ejes: justicia y equidad, mitigación del impacto social y medioambiental e IA humana o ética (Telefónica, 2019). 5. CONCLUSIONES La IA podría ser el pilar sobre el que construyamos el desarrollo económico, social y medio ambiental de los próximos años. Para ello es fundamental que los emprendedores consideren no solo los modelos de negocio lineales sino también los exponenciales. En definitiva, podemos decir que los beneficios del uso de la IA en el emprendimiento se resumen en los siguientes: • Incremento de la eficiencia para descubrir relaciones en los datos, que por los medios tradicionales estarían ocultas o no serían evidentes sin utilizar modelos complejos. • Incremento de la precisión a la hora de definir claramente procesos que de otra forma implicaría un gran volumen de tareas manuales. • Habilidad para tratar con grandes cantidades de datos con muchos atributos. Ejemplos de esta situación serían los datos del comportamiento de los clientes, los datos de las interacciones multicanal y multidispositivo, datos complejos del uso de los productos o la detección del fraude. • Actualización frecuente de losalgoritmos, incluso varias veces al día, que permitan capturar los cambios en el comportamiento de los clientes o del mercado. Ahora bien, la Inteligencia Artificial y el machine learning pueden mejorar el rendimiento pero no es una solución a todos los problemas del emprendimiento. Es necesario ser conscientes de los beneficios y de las limitaciones de la IA y orientarse a una aplicación pragmática de la misma, buscando resultados tangibles. La IA no es la solución ideal en los siguientes casos: • Toma de decisiones basadas exclusivamente en estrategias y objetivos de negocio. Los empleados que estén más cerca del negocio son los que están mejor posicionados para controlar dichas decisiones. • Análisis que involucre pocos atributos o datasets que pueden utilizarse con las tecnologías ya existentes como análisis estadísticos de regresión, árboles de decisión o motores de reglas. • Análisis que involucren demasiados atributos, escasos datos o datos de poca calidad. Por último, la gestión adecuada de los retos éticos que supone la aplicación de la IA en determinados casos y sus resultados, no solo hace posible la sostenibilidad de la IA aplicada a las empresas, sino que asegurará su desarrollo de forma compatible con los valores humanos. Bibliografía Bettina, S. (2008). Managing innovation, design and crativity. Wiley Bonnet and Westerman, (2021). Bonnet, Didier and George Westerman. The new elements of digital transformation. MIT Sloan Management Review. Boston, United States. Boston Consulting Group. (2021, abril). Inteligencia Artificial Responsable: una oportunidad para la creación de valor. https://www.bcg.com/en-es/press/6april2021-responsible-artificial-intelligence Charniak, E., & McDermott, D. (1985). Introduction to Artificial Intelligence (1St Edition). Addison-Wesley. Cooper, R. G. (2014). What’s Next?: After Stage-Gate. Research-Technology Management, 57(1), 20–31. https:// doi.org/10.5437/08956308x5606963 Dreyfus, H. (1992) What Computers Still Can’t Do, MIT Press European Commision. (2020). Integration of Digital Technology by Enterprises. Shaping Europe’s digital future. https://ec.europa.eu/digital-single-market/en/integration-digital-technology-enterprises Gartner (2017). A Framework for Applying AI in the Enterprise. https://www.gartner.com/en/doc/3751363-a-framework-for-applying-ai-in-the-enterprise Ginsberg, M.( 2012). Essentials of Artificial Intelligence. Morgan Kaufmann. Melo-Solarte, D. S., & Díaz, P. A. (2018). El aprendizaje afectivo y la gamificación en escenarios de educación virtual. Información tecnológica, 29(3), 237-248. (Morakanyane et al. 2017). Morakanyane, Resego, Audrey Grace and Philip O'Reilly. 2017. Conceptualizing Digital Transformation in Business Organizations: A Systematic Review of Literature. BLED Proceedings. 21. Täuscher, K. (2016). Business Models in the Digital Economy : An Empirical Classification of Digital Marketplaces. Telefónica. (2019). Enfoque de Telefónica para un uso responsable de la IA. https://www.telefonica.com/documents/364672/143939197/ia-uso-responsable.pdf/
Compartir