La Inteligencia Artificial en la Empresa

Este elemento es una profundización de los cursos y guías de Lawi. Ofrece hechos, comentarios y análisis sobre este tema. [aioseo_breadcrumbs]

Modos de Introducción

Imparto una nueva asignatura este semestre sobre tecnologías cognitivas (en otras palabras, inteligencia artificial) a los alumnos del máster en Administración de Empresas de la Universidad de Babson (EEUU). Para muchos de ellos, se trata de unas tecnologías completamente nuevas. Ver el tema, a través de los ojos de mis alumnos, me ha hecho darme cuenta de lo sobrecogedor que puede resultar. Existen muchos tipos de inteligencia artificial (IA) y todos requieren algún nivel de conocimiento técnico para entenderlos por completo. Para los recién llegados al campo, suele ser bastante complicado descubrir cómo entrar en materia.

En sus ejemplos más sencillos, la tecnología cognitiva puede ser simplemente una extensión más autónoma de las analíticas tradicionales; por ejemplo, sistemas que ejecuten automáticamente cada combinación posible de las variables predictivas en un análisis de regresión. (Tal vez sea de interés más investigación sobre el concepto). Las versiones más complejas –redes neuronales o de aprendizaje profundo, procesamiento del lenguaje natural y algoritmos– pueden parecer cajas negras incluso para los científicos de datos que las desarrollan.

Aunque este tipo de tecnología puede parecer intimidante, la buena noticia es que empezar a trabajar con ella se está volviendo cada vez más fácil. Muchos proveedores han entrado en él y la oferta ya contempla opciones para cualquier empresa que quiera aumentar la inteligencia de sus procesos y productos. Se me ocurren al menos siete maneras de empezar a utilizar herramientas cognitivas, aunque algunas son claramente más fáciles (y baratas) que otras. Puesto que implementar este tipo de tecnología representa un factor clave para decidir cómo avanzar, he organizado las formas de incorporarla en tres categorías: “comprar la mayor parte”, “comprar una parte, desarrollar otra” y “desarrollar la mayor parte”.

Comprar la mayor parte

Usar el software con capacidades cognitivas de un proveedor asentado

Por ejemplo, Salesforce y Oracle anunciaron recientemente que están añadiendo capacidades cognitivas a sus productos. Salesforce está incorporando características de su sistema Einstein a sus nubes de software para clientes, como poder clasificar automáticamente las oportunidades de ventas, leer correos electrónicos y clasificar imágenes para redes sociales. Si su empresa ya utiliza alguno de los servicios CRM de Salesforce y quiere pivotar suavemente hacia ventas, marketing y servicios más inteligentes, esta parece una de las maneras más fáciles de hacerlo.

Otras empresas de CRM como Customer Matrix han sido fundadas con la idea de combinar herramientas cognitivas con capacidades transaccionales para el cliente. Microsoft también ha anunciado que añadirá capacidades cognitivas a muchos de sus productos de software actuales. Si está utilizando cualquiera de las opciones de estos proveedores, dentro de poco probablemente le resulte más difícil evitar las capacidades cognitivas, que emplearlas.

Escoger un proyecto pequeño y un proveedor que ofrezca “la fruta ya madura”

En lugar de ir a por todas, algunas empresas empiezan por escoger un proyecto pequeño que podría beneficiarse de las tecnologías cognitivas con un conjunto de herramientas más pequeño y menos transformativo para abordarlo. Por ejemplo, Cognitive Scale –donde varios de sus líderes fueron ejecutivos de Watson– intentan recoger las frutas de las ramas más bajas, simplificar los procesos. Tiene un enfoque de desarrollo “10-10-10”: desarrollar una primera versión de una aplicación cognitiva en 10 horas, personalizarla en 10 días y lanzarla en 10 semanas.
Algunos de los clientes de Cognitive Scale, como el Centro para el Cáncer MD Anderson y que también persigue un ambicioso proyecto de Watson para los tratamientos contra el cáncer, tienen muchos proyectos distintos en curso con el software de la empresa. Estos proyectos no intentan curar el cáncer, sino lograr objetivos más al alcance, como encontrar alojamiento y recomendar restaurantes a los familiares de los pacientes o determinar qué facturas médicas suponen un mayor esfuerzo para cobrarlas. Otras ofertas para la “automatización de procesos” de empresas como Blue Prism y Automation Anywhere también se consideran como frutas al alcance de la mano, aunque por el momento sus software no aprenden. Algunas ofertas de automatización de centros de llamadas, como Amelia, de Ipsoft, también pertenecen a esta categoría. A pesar de que este tipo de proyectos suelen requerir formación y asesoramiento para configurar y trabajar con el software, normalmente son los mismos proveedores quienes se encargan de ello.

Comprar un parte, desarrollar otra

Potenciar la capacidad analítica para impulsar el aprendizaje de máquinas

Algunas formas de aprendizaje de máquinas –especialmente las que están basadas en el análisis de regresión– son extensiones claras de las capacidades analíticas de una empresa. Si su empresa domina la “analítica artesanal” basada en hipótesis humanas, puede que sea el momento de explorar la generación automática de modelos analíticos con aprendizaje de máquinas. Cisco Systems, por ejemplo, pasó de generar decenas de “modelos de propensión” para predecir qué tiene más probabilidades de ser comprado por los clientes, a producir decenas de miles (alrededor de 60.000 en la actualidad) de modelos cada trimestre. Gracias al aprendizaje de máquinas, Cisco solo necesita unos pocos días para calcularlos.

Otros Elementos

Además, la mayor granuralidad de sus modelos (específicos para productos, países y tipos de negocios concretos) ha mejorado su eficacia.Entre las Líneas En función del tipo de modelos que una empresa necesite y el software que utilice (propietario, como el de SAS e IBM, o de fuente abierta), lograrlo puede ser o técnicamente muy sencillo o bastante complejo, caso en el que se necesitará un conocimiento mayor de la ciencia de datos.

Entrar a lo grande con Watson

Watson, de IBM, domina la gama más alta, tanto en coste (o costo, como se emplea mayoritariamente en América) como beneficios, de la carrera cognitiva. Sí, se puede acceder de manera asequible a la interfaz de programación de aplicaciones (API, por sus siglas en inglés) de Watson con Bluemix, la nube para desarrolladores de IBM –mis alumnos lo hicieron en clase gratis– pero la oferta de Watson se dirige, sobre todo, a aplicaciones transformativas a gran escala. A IBM le gusta empezar con sus clientes con una “Evaluación de Valor Cognitivo” que encuentre la mejor oportunidad para destacar en el ámbito cognitivo. IBM estará encantada de proporcionar los consultores y hasta investigadores doctorados que hagan falta para conseguirlo. Tampoco será ni barato ni rápido. Supone mucha formación e integración de sistemas, sobre todo si se trata de la primera empresa de un sector o industria que utiliza Watson. Así lo analicé el año pasado cuando estudié el uso de Watson en el ámbito médico.Si, Pero: Pero las empresas que se sientan cómodas trabajando con IBM a gran escala y crean en la importancia de hacer mella en sus negocios con tecnologías cognitivas encontrarán apropiado este enfoque

Empezar con bots de conversación

Los bots de conversación son una tecnología cognitiva de nivel intermedio que interactúa con otras apps a través de conversaciones de lenguaje natural. Google (con su reciente adquisición de API.AI), Apple (Siri), Microsoft (Cortana) y Facebook (con Messenger) tienen plataformas para que diferentes desarrolladores puedan preparar sus propios bots de conversación. (Tal vez sea de interés más investigación sobre el concepto). Especialmente si su empresa está centrada en productos o servicios móviles, donde los clientes parecen ser más proclives a los bots de conversación, podría entrar en el campo de las tecnologías cognitivas al conectar sus propias apps a las API de alguna de estas empresas. Estas interfaces evolucionarán seguro con el paso del tiempo, pero es una buena idea empezar a trabajar con ellas ahora si quiere aprovechar las interacciones por voz.

Desarrollar la mayor parte

Aumentar la inteligencia o autonomía de una aplicación existente

Con el uso de arquitecturas basadas en componentes, es posible añadir enfoques cognitivos a las aplicaciones. Por ejemplo, la sociedad de inversiones Vanguard, desarrolló la función semiautónoma de Servicios de Asesores Personales (PAS, por sus siglas en inglés) para sus clientes de gestión de activos. Vanguard ya contaba con varias de estas funcionalidades entre bambalinas, incluidas encuestas entre inversores, una serie de modelos predictivos, el reequilibrio de activos, la compensación de pérdidas tributarias y las simulaciones basadas en objetivos. El proyecto PAS aglutinó todas esas herramientas, las hizo autónomas (revisadas por asesores (véase qué es, su concepto jurídico; y también su definición como “assessors” en derecho anglo-sajón, en inglés) humanos) y las incorporó tanto a planes de inversión como a la red.

Puntualización

Sin embargo, se trata de una opción que exige experiencia con herramientas cognitivas, así como la capacidad de integrar diferentes sistemas.

Desarrollar a partir de software de fuente abierta

Abunda el software cognitivo de fuente abierta. Google, Microsoft, Facebook, Amazon y Yahoo han publicado librerías de algoritmos de aprendizaje de máquinas o de aprendizaje profundo. La ventaja aquí es obvia. Puesto que el software es gratuito, este enfoque reduce el coste (o costo, como se emplea mayoritariamente en América) del software.Si, Pero: Pero probablemente también incremente los costes (o costos, como se emplea mayoritariamente en América) de personal: los científicos de datos capaces de trabajar con ese tipo de librerías son pocos y caros. Desarrollar su propia solución cognitiva desde cero con herramientas de fuente abierta, también podría llevar más tiempo que algunas de las otras opciones. Esta opción probablemente solo tenga sentido si su empresa necesita soluciones muy específicas y está dispuesta a comprometerse a largo plazo (véase más detalles en esta plataforma general) con el desarrollo de capacidades cognitivas. También puede ser un buen enfoque si piensa incorporar prestaciones cognitivas a su producto o servicio.

Estoy seguro de que existen otros ángulos desde los que una empresa podría adoptar las tecnologías cognitivas, pero hasta ahora estos parecen ser los más comunes. Cada uno tiene distintas implicaciones para los tipos de competencias que necesitará la organización y cómo gestionará la tecnología una vez que cuenten con ella. Algunas organizaciones ambiciosas querrán centrarse en varios puntos de entradas al mismo tiempo. Es genial disponer de tantas opciones, pero cuando un equipo directivo decide integrar tecnologías cognitivas en su estrategia, también debería meditar detenidamente qué objetivo quiere perseguir.

Fuente: HBR

Planificación

A medida que los algoritmos de inteligencia artificial (IA) se infiltran en todas y cada una de las áreas de las empresas, el aprendizaje organizacional adquiere tanta importancia como el aprendizaje automático. ¿Cómo debería un equipo directivo inteligente maximizar el valor económico de contar con sistemas más inteligentes?

El rediseño de los procesos de negocio, así como una mejor formación de los trabajadores son importantes, pero mejores casos de uso –las tareas e interacciones del mundo real que determinan los resultados diarios de la empresa– son los que ofrecen mayores retornos. Priorizar el desarrollo de algoritmos más inteligentes por delante de casos de uso reflexivos y estudiados representa el error más pernicioso que veo en las iniciativas actuales de las empresas para introducirse en la IA. Algo falla cuando optimizar tecnologías de procesos va por delante de reflexionar y cambiar la manera en la que el trabajo se lleva realmente a cabo.

A no ser que realmente estemos automatizando un proceso –es decir, eliminando a los humanos de la ecuación–, los algoritmos de IA deberían hacer que el trabajo de las personas resulte más fácil y productivo. Identificar casos de uso en los que la IA añada tanto valor al rendimiento (véase una definición en el diccionario y más detalles, en la plataforma general, sobre rendimientos) de la gente como a la eficiencia de un proceso es fundamental para implementar con éxito la inteligencia artificial en la empresa.

Pormenores

Por el contrario, las empresas comprometidas con proporcionar más autonomía y control a las máquinas inteligentes se centran en la gobernanza y los derechos de decisión.

En lo que a estrategia se refiere, un brillante algoritmo impulsado por datos normalmente importa menos que una experiencia de usuario (UX, por sus siglas en inglés) bien diseñada. Un diseño de UX razonado puede entrenar mejor a los sistemas de aprendizaje automático para que se vuelvan aún más inteligentes. Los científicos de datos más eficaces que conozco aprenden de las claves que obtienen a partir de casos de uso y la UX.Entre las Líneas En una empresa de control industrial, por ejemplo, los científicos de datos descubrieron que los usuarios de uno de sus sistemas inteligentes utilizaban por su propia cuenta un conjunto de datos propio a fin de priorizar las respuestas de los clientes. Ese uso inesperado motivó una reformulación del algoritmo original.

Centrarse en casos de uso más claros y detallados se traduce en una relación más productiva y mejor entre la IA y sus usuarios humanos. La división del trabajo se convierte en una fuente de inspiración para el diseño y la investigación. (Tal vez sea de interés más investigación sobre el concepto). La búsqueda de mejores resultados se traslada entonces de entrenar algoritmos más inteligentes a averiguar cómo deberían evolucionar los casos de uso. Eso impulsa tanto el aprendizaje de máquinas como el aprendizaje organizacional.

Cuando las empresas priorizan a las personas y procesos mejorados por la IA por delante de los sistemas autónomos en sí, se obtienen cinco categorías principales de casos de uso. De forma nada sorprendente, estas categorías describen cómo trabajan juntas las entidades inteligentes para completar el trabajo; ponen de manifiesto que el toque personal aún importa.Entre las Líneas En función de la persona, el proceso y resultado deseado, la inteligencia artificial puede conseguir que el elemento humano importe más.

– Asistentes. Alexa, Siri y Cortana ya encarnan casos de uso reales en los que la inteligencia artificial actúa como asistente. Según la acertada expresión de Amazon, los asistentes tienen las habilidades que les permiten realizar tareas no muy complejas. Tanto si funcionan por voz como por bots de conversación, unas sencillas interfaces hacen que los asistentes resulten fáciles y rápidos de utilizar. Su eficacia queda demostrada tanto por la gente que sabe exactamente lo que necesita como por la sofisticación de los algoritmos. A medida que los asistentes inteligentes se vuelven más inteligentes y capaces, también aumenta su repertorio de tareas.

Detalles

Los asistentes más eficaces aprenden a sondear incluso a sus usuarios con preguntas y palabras clave oportunas para mejorar tanto la interacción como los resultados.

– Guías. Mientras que los asistentes realizan tareas que se han pedido, los guías ayudan a los usuarios a abrirse paso por una tarea compleja para conseguir los resultados deseados. Utilizar Waze para conducir a través de una ciudad en obras es un ejemplo. Utilizar una herramienta de realidad aumentada para examinar y reparar un dispositivo móvil o un sistema de climatización, otro. Los guías muestran digitalmente a los usuarios humanos los que deberían ser sus próximos pasos y, en caso de cometer alguna equivocación, ofrecerles alternativas hacia el éxito. Los guías son los sherpas del software inteligente: su conocimiento lleva a los usuarios hasta su destino deseado.

– Consultores. A diferencia de los guías, los consultores van mucho más allá de la guía y el conocimiento específico de un tema. La inteligencia artificial consultora incluye los casos de uso en los que los trabajadores necesitan claves e información justo a tiempo y asesoramiento personalizado para resolver un problema. Los consultores algorítmicos, al igual que sus homólogos humanos, ofrecen opciones y explicaciones, además de motivos y razonamientos. Un gestor de proyecto de desarrollo de software necesita evaluar los pros y contras de una planificación (véase más en esta plataforma general) determinada. Para ello, una IA consultora plantea preguntas y solicita información para emitir recomendaciones concretas sobre el próximo paso a tomar. Un sistema de este tipo puede incluir enlaces relevantes, el expediente de proyectos anteriores e informes sobre el contexto a tener en cuenta. Los consultores más sofisticados ofrecen incluso consejos estratégicos que complementen sus recomendaciones tácticas.

Los consultores personalizan su conocimiento más funcional –horarios, presupuestos, asignación de recursos, compras, diseño gráfico, etc.– de acuerdo con las necesidades de cada usuario humano. Son roboconsejeros que dispensan de forma imparcial su experiencia.

– Colega. Un colega se parece a un consultor, pero con un comprensión analítica y construida sobre datos de la situación local. Es decir, un colega es experto en la propia organización en la que lo utilizan. El colega tiene acceso a las analíticas relevantes del espacio de trabajo, los presupuestos, los calendarios, los planes estratégicos, las prioridades y presentaciones para así poder aconsejar al resto de personas, a sus otros “colegas”. Los casos de uso de este tipo giran en torno a los consejos que necesitan los mánagers y empleados para trabajar de manera más eficiente y eficaz dentro de la empresa. Un colega de IA podría recomendar referenciar y/o adjuntar una presentación en un correo electrónico, a quién pedir consejo, qué modelo de presupuesto utilizar, qué clientes necesitan un trato preferencial, etcétera. Los colegas son más un colaborador que una herramienta: ofrecen sabiduría y conciencia. Al igual que sus homólogos humanos, sirven como cajas de resonancia que – ¿quiénes? – ayudan a clarificar las comunicaciones, aspiraciones y riesgos.

– Jefe. Donde los colegas y consultores aconsejan, los jefes dirigen. Los jefes de IA indican a los humanos cuáles deberían ser sus próximas tareas. Los casos de uso de jefe eliminan opciones, la posibilidad de elegir y la ambigüedad en favor de las imposiciones, los decretos y las directrices de la obediencia. Haz esto, deja aquello, cambia el calendario, reduce el presupuesto, envía este memorándum…

La inteligencia artificial jefe está diseñada para que la obedezcan y le rindan cuentas. El humano cede ante el algoritmo (examine más sobre estas cuestiones en la presente plataforma online de ciencias sociales y humanidades). Representa la pendiente resbaladiza de la autonomía (véase qué es, su concepto; y también su definición como “autonomy” en el contexto anglosajón, en inglés), la versión laboral de un sistema de piloto automático que asume el control de un avión, de un sistema de frenado automático en un automóvil. Existen casos de uso y circunstancias que explican esta subordinación del humano frente al software.Si, Pero: Pero la verdadera prueba del “jefeware” es humana: si los humanos no son sancionados – o despedidos– por desobedecer, entonces el software tampoco ocupa realmente el lugar de un jefe.

Como muestra el último ejemplo, las categorías anteriores se entremezclan entre sí con facilidad. No cuesta imaginar escenarios y casos de uso en los que los guías se conviertan en asistentes, los asistentes mejoren hasta convertirse en colegas y los consultores se transformen en jefes.Si, Pero: Pero las diferencias básicas entre las cinco categorías deberían servir para aportar cierto rigor y disciplina a la hora de imaginar su evolución futura.

La confianza está implícita en las cinco categorías. ¿Confían los trabajadores en que sus asistentes algorítmicos hagan lo que se les ha encargado? ¿Confían en los guías para llevarles hasta donde quieren llegar? ¿Confían los mánagers en la competencia del jefeware, en que sus colegas no les traicionarán? Los problemas de confianza y transparencia se mantienen al margen de lo inteligente que se vuelva el software; se vuelven incluso más importantes al aumentar increíblemente la complejidad de los motivos que explican cualquier decisión. (Tal vez sea de interés más investigación sobre el concepto). Un riesgo: que estas inteligencias artificiales evolucionen hasta convertirse en “amienemigos”. Es decir, en software que actúa de forma simultánea como amigo y rival de su compañero humano. Por tanto, los casos de uso se vuelven esenciales para identificar qué tipos de interfaces e interacciones facilitan la confianza entre humanos y máquinas.

Los casos de uso podrían resultar vitales para impulsar la productividad resultado de sumar un humano inteligente a una máquina inteligente.Si, Pero: Pero la realidad sugiere que su valor final podría nacer de lo cuidadosamente que se acelere el avance de la organización hacia una mayor automatización y autonomía. El verdadero impacto e influencia de estas categorías podría residir en que sirvan para encontrar la mejor manera de que los humanos entrenen a sus sucesores.

Basado en la experiencia de varios autores, mis opiniones, perspectivas y recomendaciones se expresarán a continuación (o en otros lugares de esta plataforma, respecto a las características en 2026 o antes, y el futuro de esta cuestión):

Fuente: HBR

Función Secundaria

Cada empresa tecnológica que se precie tiene hoy, un equipo de inteligencia artificial (IA). Estas empresas están invirtiendo millones de dólares en sistemas inteligentes para la evaluación de situaciones, análisis de predicciones, sistemas de reconocimiento basados en el aprendizaje, interfaces de conversación y motores de recomendación. (Tal vez sea de interés más investigación sobre el concepto). Empresas como Google, Facebook y Amazon no solo están aprovechando la IA, sino que la han convertido en un elemento central de su propiedad intelectual.

A medida que el mercado madura y se desarrolla, la IA empieza a llegar a empresas que la utilizarán, pero sin tener que desarrollarla por ellas mismas. Estas empresas ven los sistemas inteligentes como respuesta a las interrogantes planteadas por los desafíos de ventas, logística, producción y la llamada inteligencia empresarial. Este tipo de compañía espera que la IA pueda mejorar la productividad, automatizar procesos existentes, proporcionar análisis predictivos y extraer el significado de conjuntos masivos de datos. Para ellas, la IA representa una ventaja competitiva, pero no una parte de su producto principal. Para estas empresas, las inversiones en IA podrían ayudar a resolver problemas de negocios reales, pero sin llegar a formar parte de productos de consumo. Pepsi, Wal-Mart y McDonalds podrían estar interesadas en sistemas basados en inteligencia artificial para tareas relacionadas con el marketing, la logística e incluso la preparación de hamburguesas.

Puntualización

Sin embargo, eso no significa que debamos esperar la llegada de refrescos, palas y Big Macs inteligentes, en un futuro próximo.

Al igual que ha sucedido con tecnologías anteriores, ahora escuchamos y leemos sin parar, consejos sobre “estrategias de IA” y la contratación de directores de inteligencia artificial.Entre las Líneas En muchos aspectos, del mismo modo que el auge del big data dio paso a la fiebre de los científicos de datos, el argumento ahora es que cada organización necesita contratar un ejecutivo específico de primer nivel, para dirigir e impulsar la estrategia de IA desde el equipo directivo.

No es que dude de la utilidad de la IA. […] Sin embargo, también creo que el despliegue eficaz de cualquier sistema o aplicación de inteligencia artificial dentro de una empresa exige objetivos empresariales concretos. Apresurarse a desarrollar una “estrategia de IA” y contratar una persona con los conocimientos y habilidades técnicas de IA necesarias para liderar este trabajo podría parecer encajar con las tendencias actuales, pero deja de lado la realidad. Cualquier iniciativa en el área de innovación solo triunfa si existe una comprensión clara de los problemas y objetivos reales de la empresa. Para que la IA funcione dentro de una empresa, los objetivos a lograr de esa empresa deben ser su fuerza motora.

Esto no es lo que logrará si contrata un director de inteligencia artificial. La propia naturaleza del cargo está pensada para golpear con el martillo de la IA los clavos de cualquier problema que exista. Esta persona bien formada, bien remunerada y altamente motivada examinará su empresa en busca de oportunidades para aplicar IA. Convertirá el usar la IA en su objetivo, en vez de resolver los problemas reales.

Esto no significa que no necesite personas que entiendan la inteligencia artificial.

Puntualización

Sin embargo, entender una tecnología y entender lo que ésta puede significar estratégicamente para una empresa son dos cosas totalmente distintas. Asimismo, contratar un director de IA no es ningún sustituto de una comunicación eficaz entre, los trabajadores con mayores conocimientos técnicos y aquellos con una visión más estratégica.

Una alternativa a la contratación de un director de IA es empezar por los problemas. Traspase la consideración sobre soluciones posibles con IA a las personas que están enfrentándose a los problemas directamente. Si estas personas cuentan con el conocimiento necesario para reconocer cuándo aplicar una solución basada en inteligencia artificial, también podrían sugerir en qué casos son soluciones realmente aplicables.

Afortunadamente, el marco para saberlo nace directamente de las propias tecnologías: ya hemos visto dónde funciona la IA y dónde podría ser prematura. La pregunta se reduce pues a los datos y las tareas.

Por ejemplo, los datos altamente estructurados de las bases de datos convencionales con un patrón claro suelen funcionar con enfoques tradicionales y claramente analíticos de aprendizaje de máquinas. Si usted dispone de 10 años de datos transaccionales, entonces debería aplicar el aprendizaje de máquinas o automático, para encontrar correlaciones posibles entre clientes y productos.

En los casos en los que tenga un gran volumen de datos con menos funcionalidades (como imágenes o audio), el aprendizaje profundo resulta más apropiado. Procesar los ruidos emitidos por equipos mecánicos para anticiparse a las averías en una fábrica tendría sentido.

Si de lo único que dispone es de texto, las tecnologías de extracción de datos, análisis de opiniones y otros enfoques propios del sistema de IA, Watson de IBM podría serle de utilidad para el razonamiento a partir de pruebas. Automatizar el asesoramiento inteligente a partir de las mejores prácticas de RRHH podría caber en este modelo.

Si lo que tiene son datos utilizados para crear informes sobre el estado o el rendimiento (véase una definición en el diccionario y más detalles, en la plataforma general, sobre rendimientos) de su negocio, entonces la generación de lenguaje natural representa la mejor opción. (Tal vez sea de interés más investigación sobre el concepto). No tiene ningún sentido dedicar el valioso tiempo de un analista a la revisión y resumen de todos los datos de ventas cuando una máquina puede generar automáticamente informes en un inglés perfectamente legible además de enviarlos por correo electrónico.

Si las personas encargadas de decidir dentro de su organización entienden lo anterior, entonces podrán estudiar los problemas del negocio y los datos que recopilan en la actualidad para discernir el tipo de tecnología cognitiva que podría ser más aplicable.

La lección es fácil: la inteligencia artificial no es magia. Las tecnologías concretas tienen funciones concretas y necesitan datos concretos. Para entenderlo no necesita contratar ni un mago ni un unicornio. Tampoco un director de inteligencia artificial. Necesita equipos que sepan cómo comunicar la realidad de los problemas empresariales y estratégicos a quienes entienden los detalles de las soluciones técnicas.

Las tecnologías de IA actuales son increíblemente potentes. Una vez entren en las empresas, lo cambiarán todo. Si nos centramos en aplicarlas para solucionar problemas de negocio reales y generalizados, forjaremos un nuevo tipo de asociación hombre-máquina que nos habilitará para rendir al máximo y alcanzar todo nuestro potencial.

Fuente: HBR

▷ Esperamos que haya sido de utilidad. Si conoces a alguien que pueda estar interesado en este tema, por favor comparte con él/ella este contenido. Es la mejor forma de ayudar al Proyecto Lawi.