Las opiniones expresadas por los contribuyentes empresariales son propias.
Las empresas están tratando la inteligencia artificial como los médicos de la era victoriana tratados sanguijuelas: como un remedio universal para ser aplicado liberalmente independientemente del problema real. Las reuniones de la junta en todo el país cuentan con alguna variación de “Necesitamos una estrategia de IA” sin preguntar primero “¿Qué problema específico estamos tratando de resolver?” Los resultados son previsiblemente decepcionantes.
De todos modos, aquí estamos con ejecutivos que exigen soluciones de IA para problemas que no existen mientras ignoran los problemas que AI realmente podría resolver.
Esto es costoso de manera que rara vez aparece en informes trimestrales. Las empresas vierten millones en iniciativas de IA que generan demostraciones impresionantes y resultados sombríos. Están escribiendo cheques que su infraestructura de datos no puede cobrar. Y nadie parece notar el patrón.
Relacionado: Cómo evitar desperdiciar millones en AI
La trampa de tecnología primero
El viaje típico de IA corporativo sigue un camino deprimentemente predecible. Primero, un ejecutivo asiste a una conferencia donde los competidores se jactan de sus iniciativas de IA. Se produce pánico. Un mandato se reduce: “Implementar IA en todos los departamentos”. Los equipos luchan por encontrar casos de uso para justificar la tecnología que ya ha sido seleccionada. Los consultores llegan con mazos de diapositivas. Se lanzan pilotos. Las demostraciones están construidas. Los comunicados de prensa se redactan. Y un año después, cuando alguien pregunta por el ROI, todos miran atentamente sus zapatos.
Este enfoque atrasado de comenzar con la solución en lugar del problema explica por qué tantos proyectos de IA fallan. Es como comprar un martillo costoso y luego deambular buscando uñas. ¡A veces los encuentras! Más a menudo, descubres que tus problemas reales requieren destornilladores.
La cuestión es que las estrategias tecnológicas primero en los titulares pero terribles resultados comerciales. Confunden el movimiento con el progreso. Valoran la novedad sobre la utilidad. Y a menudo, las soluciones son más difíciles de construir y usar de lo que parecen.
La ilusión de datos
Hay una curiosa disonancia cognitiva en cómo las organizaciones piensan sobre sus datos. Pregúntele a cualquier líder técnico sobre la calidad de los datos de su empresa, y harán una mueca a sabiendas. Sin embargo, las empresas aproban proyectos de IA que asumen conjuntos de datos prístinos y integrales existen mágicamente en algún lugar de sus sistemas.
El aprendizaje automático no solo necesita datos. Necesita patrones significativos en buenos datos. Un algoritmo de aprendizaje entrenado en basura no se vuelve inteligente; Se vuelve extraordinariamente eficiente para producir basura altamente segura.
Esta desconexión entre la realidad de los datos y las ambiciones de IA conduce a un ciclo interminable de decepción. Los proyectos comienzan con predicciones entusiastas sobre lo que la IA podría lograr con datos teóricos. Terminan con los ingenieros que explican por qué los datos reales no podían soportar esas predicciones. La próxima vez será diferente, todos se aseguran. Nunca lo es.
RELACIONADO: Nadie quiere otra herramienta de IA inútil, esto es lo que debe construir en su lugar
La brecha de implementación
La solución de IA más sofisticada del mundo no tiene valor si no se integra en los flujos de trabajo reales. Sin embargo, las empresas invierten rutinariamente millones en algoritmos mientras asignan aproximadamente diecisiete dólares y treinta centavos para garantizar que las personas realmente los usen.
Construyen soluciones de IA que requieren una participación perfecta de los empleados que no fueron consultados durante el desarrollo, no entienden los modelos y no han sido capacitados para usar las herramientas. Esto es más o menos equivalente a instalar un motor de Fórmula 1 en un automóvil sin modificar la transmisión, y luego preguntarse por qué el vehículo sigue rompiendo.
Mira, la adopción de la tecnología no es un problema técnico. Es humano. Los humanos son notoriamente resistentes a los comportamientos establecidos cambiantes, especialmente cuando los beneficios no son inmediatamente obvios para ellos. Una solución de IA que requiere cambios significativos en el flujo de trabajo sin entregar beneficios obvios e inmediatos está muerto a la llegada. Nadie quiere admitir esto, pero es cierto.
Revertir la estrategia
¿Cómo sería una estrategia de IA de ingeniería inversa? Comience con la identificación de problemas comerciales específicos y medibles donde los enfoques actuales se están quedando cortos. Valide estos problemas a través de un análisis riguroso, no en la intuición ejecutiva. Evalúe si estos problemas realmente requieren IA o podrían resolverse mejor a través de soluciones más simples. Considere los cambios organizacionales necesarios para implementar cualquier solución. Entonces, y solo entonces, evalúe qué datos y tecnología podrían abordar los problemas validados.
Un mejor marco de implementación
La implementación efectiva de la IA requiere invertir el enfoque típico:
-
Problemas antes de soluciones: Identificar y validar desafíos comerciales específicos con un impacto medible
-
Verificación de la realidad de datos: Auditar la calidad de los datos existentes y los procesos de recopilación antes de asumir la viabilidad de la IA
-
Prueba de simplicidad: Determinar si los enfoques más simples y no AI podrían resolver el problema de manera más efectiva
-
Preparación organizacional: Evaluar si los flujos de trabajo y los equipos están preparados para integrar soluciones de IA
-
Implementación incremental: Comience con pilotos a pequeña escala centrados en problemas estrechos y bien definidos
Relacionado: ¿Cuándo no debería invertir en IA?
Los algoritmos de capacitación en datos defectuosos son como construir una casa en arenas movedizas. La arquitectura puede ser impecable, pero eso no importará mucho cuando todo se hunda. Las empresas anuncian con orgullo sus iniciativas de IA con aproximadamente el mismo nivel de claridad estratégica que los alquimistas medievales tenían para convertir el plomo en oro. La principal diferencia es que los alquimistas gastaron menos dinero.
Quizás la estrategia de implementación de IA más valiosa es simplemente revertir la pregunta. En lugar de preguntar “¿Cómo podemos usar AI?” Intente preguntar “¿Qué problemas específicos valen la pena resolver, y podría ser el enfoque correcto para algunos de ellos?” Este replanteamiento no hace impresionantes notas clave de la conferencia. No genera la misma cobertura de prensa o tragamonedas para hablar en conferencia. Pero tiende a producir soluciones que realmente funcionan, lo que parece un objetivo razonable para las inversiones tecnológicas multimillonarias.
