No los confundas. La inteligencia artificial es compleja y exige todo un proceso de experimentación e incertidumbre, pero es la clave para transformar todo tu negocio.

Por Jair Pérez, CEO de Gesta Labs

Mail: [email protected]

Conozco a un directivo de transformación digital de una empresa automotriz que es ejemplar por la forma en que gestiona los proyectos de inteligencia artificial; de manera particular, me agrada el enfoque holístico con el que suele ver el retorno de inversión que suele tener un proyecto de este tipo, que va mucho más allá de un resultado numérico en el corto plazo.

Sabe que la inteligencia artificial es una herramienta compleja que guarda mucho potencial para una empresa. Por ende, no le da el mismo trato que a otras tecnologías.

La IA no es como un proyecto de TI, es una frase que convence cada día a más directivos que implementan esta tecnología y se percatan de su potencial, pero también de su complejidad.

En términos simples, la IA no es solo un nuevo conjunto de herramientas y tecnologías, sino una nueva forma de hacer innovación, señala Emerj AI, consultora especializada en esta tecnología y añade que, mientras un proyecto de TI suele basarse en una relación certera de causa–efecto (ejemplo, si hago esto, sucederá esto), la inteligencia artificial es probabilística y se desarrolla mediante la iteración y experimentación, más parecido a un proceso de investigación y desarrollo que tiene una alta carga de incertidumbre.

Cierto, no estás leyendo este artículo para quedarte con esta respuesta teórica, sino para entender, de forma práctica, en qué se traduce esto. El reporte de Emerj AI es clave para diferenciar esas áreas clave entre una y otra, por lo que aquí resumo las que, desde mi punto de vista, son las más importantes. Espero que te hagan sentido.

1.-Tiempo de entrega de cada proyecto. En el caso de TI, es relativamente sencillo estimar la duración cuando se trata de proyectos repetidos o de tecnologías que ya han sido abordadas previamente en una organización. En el caso de la IA es casi imposible que no haya retrasos cuando se trata de nuevos proyectos e, incluso, sigue siendo complejo apegarse a los tiempos cuando se trata de proyectos repetitivos o ya conocidos. De ahí que la recomendación sea abordar esta tecnología con un enfoque de ROI a mediano y largo plazo.

2.-Capacidades internas del capital humano. Cuando se trata de TI, la mayoría de las compañías es fuerte en esta parte y tiene talento con las habilidades para implementar este tipo de proyectos. Las cosas cambian cuando abordamos inteligencia artificial, pues se trata de un área débil en la que la mayoría de las compañías carece de científicos de datos e, incluso, sus líderes adolecen de entendimiento de conceptos de ciencia de datos. Suelen insistir en la búsqueda de un ROI numérico de corto plazo, y pocos incluyen el costo de un talento escaso o inexistente en la organización.

3.-Recursos económicos que se necesitan. Una implementación de un sistema ERP o un MES totalmente nuevo quizá pueda ser difícil de estimar al principio, pero esa incertidumbre baja cuando se dan otros proyectos similares. Es diferente con la IA, dado que su naturaleza en proyectos nuevos se basa en la experimentación, además de que varía el contexto tecnológico y de datos de cada empresa. Este aspecto va de la mano con el tiempo de entrega de una solución, pues es muy probable que pueda durar más y exija una mayor cantidad de recursos. Por tal razón es recomendable considerar más presupuesto del que se planea originalmente.

4.-Requerimientos de datos, sistemas e infraestructura. Cuando se trata de TI, los requerimientos de infraestructura y datos son conocidos y las soluciones generalmente son más certeras (aunque con cierto grado de complejidad en algunos sistemas). Pero, ¿qué sucede en el caso de IA? La exigencia es mucho mayor y puede requerir meses de preparación de infraestructura, debido al volumen de datos y capacidad de procesamiento requerido. Y no se diga a nivel de sistemas, pues exige mayor profundidad en la integración de varios sistemas empresariales (ERPs, MES, CRMs, etc.) acceso a datos no estructurados y estructurados en formatos específicos, una exigente limpieza y habilitar el acceso a múltiples fuentes. Por esa razón, los proyectos piloto son tan necesarios en la IA, pues nos dejan saber qué tanto potencial tiene una solución en la organización y decidir si vale el esfuerzo transitar todo este camino.

La importancia de entender estas diferencias es clave para gestionarlas en su justa dimensión: un proyecto de TI te dará algunas herramientas adicionales, pero una de IA te convierte en una empresa data-driven y suma capacidades digitales que se convierten en diferenciadores en el mercado. Quien entiende esto, generalmente actúa con paciencia, en lugar de cortar proyectos y presupuestos ante la primera falla.