Construir la organización potenciada por la IA

La idea en pocas palabras El problema Los esfuerzos de muchas empresas por ampliar la inteligencia artificial se quedan cortos. Esto se debe a que sólo el 8% de las empresas están llevando a cabo prácticas básicas que apoyan la adopción generalizada. La solución La tecnología punta y el talento no son suficientes. Las empresas deben derribar las barreras organizativas y culturales que se interponen en el camino de la IA. Los imperativos del liderazgo Los líderes deben transmitir la urgencia de las iniciativas de IA y sus beneficios para todos; gastar al menos tanto en la adopción como en la tecnología; organizar el trabajo de IA en función de la madurez de la IA de la empresa, la complejidad del negocio y el ritmo de innovación; e invertir en educación en IA para todos. La inteligencia artificial está remodelando los negocios, aunque no al ritmo vertiginoso que muchos suponen. Es cierto que la IA ya está guiando las decisiones en todos los ámbitos, desde las cosechas hasta los préstamos bancarios, y en el horizonte se vislumbran perspectivas antaño descabelladas, como un servicio de atención al cliente totalmente automatizado. Las tecnologías que permiten la IA, como las plataformas de desarrollo y la enorme capacidad de procesamiento y almacenamiento de datos, avanzan rápidamente y son cada vez más asequibles. El momento parece maduro para que las empresas capitalicen la IA. De hecho, estimamos que la IA añadirá 13 billones de dólares a la economía mundial durante la próxima década. Sin embargo, a pesar de lo prometedor de la IA, los esfuerzos de muchas organizaciones con ella se están quedando cortos. Hemos encuestado a miles de ejecutivos sobre la forma en que sus empresas utilizan y se organizan para la IA y los análisis avanzados, y nuestros datos muestran que sólo el 8% de las empresas llevan a cabo prácticas básicas que apoyan la adopción generalizada. La mayoría de las empresas sólo han llevado a cabo proyectos piloto ad hoc o están aplicando la IA en un único proceso empresarial. ¿A qué se debe este lento progreso? Al más alto nivel, es el reflejo de un fracaso a la hora de recablear la organización. En nuestras encuestas y en nuestro trabajo con cientos de clientes, hemos visto que las iniciativas de IA se enfrentan a formidables barreras culturales y organizativas. Pero también hemos visto que los líderes que desde el principio toman medidas para derribar esas barreras pueden aprovechar eficazmente las oportunidades de la IA. Hacer el cambio Uno de los mayores errores que cometen los líderes es considerar la IA como una tecnología plug-and-play con rendimientos inmediatos. Decididos a poner en marcha unos pocos proyectos, comienzan a invertir millones en infraestructura de datos, herramientas de software de IA, experiencia en datos y desarrollo de modelos. Algunos de los proyectos piloto consiguen obtener pequeños beneficios en algunos bolsillos de las organizaciones. Pero luego pasan meses o años sin que se produzcan las grandes ganancias que esperaban los ejecutivos. A las empresas les cuesta pasar de los programas piloto a los programas para toda la empresa, y de centrarse en problemas empresariales concretos, como la mejora de la segmentación de los clientes, a los grandes retos empresariales, como la optimización de todo el recorrido del cliente. Los líderes también suelen pensar de forma demasiado limitada en los requisitos de la IA. Aunque la tecnología punta y el talento son ciertamente necesarios, es igualmente importante alinear la cultura, la estructura y las formas de trabajar de una empresa para apoyar una amplia adopción de la IA. Pero en la mayoría de las empresas que no han nacido digitales, las mentalidades y formas de trabajar tradicionales van en contra de las necesarias para la IA. Para ampliar la IA, las empresas deben realizar tres cambios: Del trabajo en silos a la colaboración interdisciplinar. La IA tiene el mayor impacto cuando la desarrollan equipos interfuncionales con una mezcla de habilidades y perspectivas. Hacer que el personal empresarial y operativo trabaje codo con codo con expertos en análisis garantizará que las iniciativas aborden prioridades organizativas amplias, no sólo cuestiones empresariales aisladas. Los equipos diversos también pueden reflexionar sobre los cambios operativos que pueden requerir las nuevas aplicaciones: es más probable que reconozcan, por ejemplo, que la introducción de un algoritmo que predice las necesidades de mantenimiento debe ir acompañada de una revisión de los flujos de trabajo de mantenimiento. Y cuando los equipos de desarrollo implican a los usuarios finales en el diseño de las aplicaciones, las posibilidades de adopción aumentan drásticamente. De la toma de decisiones basada en la experiencia e impulsada por los líderes a la toma de decisiones basada en los datos en primera línea. Cuando la IA se adopte de forma generalizada, los empleados de arriba abajo en la jerarquía aumentarán su propio juicio e intuición con las recomendaciones de los algoritmos para llegar a mejores respuestas que las que podrían alcanzar los humanos o las máquinas por sí solos. Pero para que este enfoque funcione, la gente de todos los niveles tiene que confiar en las sugerencias de los algoritmos y sentirse capacitada para tomar decisiones, y eso significa abandonar el enfoque descendente tradicional. Si los empleados tienen que consultar a un superior antes de actuar, eso inhibirá el uso de la IA. Leonardo Ulian Los procesos de toma de decisiones cambiaron radicalmente en una organización cuando sustituyó un complejo método manual de programación de eventos por un nuevo sistema de IA. Históricamente, los planificadores de eventos de la empresa habían utilizado etiquetas de colores, chinchetas y pegatinas para hacer un seguimiento de los conflictos, las preferencias de los participantes y otras consideraciones. A menudo habían confiado en su instinto visceral y en las aportaciones de los altos directivos, que también operaban según sus instintos, para tomar decisiones. El nuevo sistema analizó rápidamente la amplia gama de permutaciones de horarios, utilizando primero un algoritmo para destilar cientos de millones de opciones en millones de escenarios, y luego otro algoritmo para reducir esos millones a sólo cientos, clasificando los horarios óptimos para cada participante. A continuación, planificadores humanos experimentados aplicaron su pericia para tomar decisiones finales apoyadas en los datos, sin necesidad de obtener aportaciones de sus líderes. Los planificadores adoptaron la herramienta con facilidad, confiando en sus resultados porque habían ayudado a establecer sus parámetros y limitaciones y sabían que ellos mismos tomarían la decisión final. De rígidos y reacios al riesgo a ágiles, experimentales y adaptables. Las organizaciones deben deshacerse de la mentalidad de que una idea tiene que estar totalmente cocida o una herramienta empresarial debe tener todas las campanas y silbatos antes de desplegarse. En la primera iteración, las aplicaciones de IA rara vez tienen toda la funcionalidad deseada. Una mentalidad de prueba y aprendizaje replanteará los errores como una fuente de descubrimientos, reduciendo el miedo al fracaso. Obtener los primeros comentarios de los usuarios e incorporarlos a la siguiente versión permitirá a las empresas corregir los problemas menores antes de que se conviertan en problemas costosos. El desarrollo se acelerará, permitiendo a los pequeños equipos de IA crear productos mínimos viables en cuestión de semanas en lugar de meses. Estos cambios fundamentales no se producen fácilmente. Requieren que los líderes preparen, motiven y equipen a la mano de obra para realizar el cambio. Pero primero los líderes deben estar preparados ellos mismos. Hemos visto fracaso tras fracaso causados por la falta de una comprensión fundamental de la IA entre los altos ejecutivos. (Más adelante hablaremos de cómo las academias de análisis pueden ayudar a los líderes a adquirir esa comprensión). Prepararse para el éxito Para conseguir que los empleados se suban a bordo y allanar el camino para el lanzamiento con éxito de la IA, los líderes deben dedicar atención temprana a varias tareas: Explicar el porqué. Una historia convincente ayuda a las organizaciones a comprender la urgencia de las iniciativas de cambio y cómo todos se beneficiarán de ellas. Esto es especialmente crítico con los proyectos de IA, porque el miedo a que la IA quite puestos de trabajo aumenta la resistencia de los empleados a ella. Los líderes tienen que ofrecer una visión que reúna a todos en torno a un objetivo común. Los trabajadores deben comprender por qué la IA es importante para la empresa y cómo encajarán en una nueva cultura orientada a la IA. En particular, necesitan que se les asegure que la IA mejorará sus funciones en lugar de disminuirlas o incluso eliminarlas.(Nuestra investigación muestra que la mayoría de los trabajadores tendrán que adaptarse al uso de la IA en lugar de ser sustituidos por ella). En la mayoría de las empresas que no han nacido digitales, las mentalidades son contrarias a las necesarias para la IA. Cuando un gran conglomerado minorista quiso que sus empleados apoyaran su estrategia de IA, la dirección lo presentó como un imperativo existencial. Los dirigentes describieron la amenaza que suponían los minoristas digitales y cómo la IA podía ayudar a repelerla mejorando la eficacia operativa y la capacidad de respuesta de la empresa. Al hacer un llamamiento a las armas en una lucha por la supervivencia, la dirección subrayó el papel fundamental que debían desempeñar los empleados. Al compartir su visión, los dirigentes de la empresa pusieron en primer plano a los trabajadores que habían puesto a prueba una nueva herramienta de IA que les ayudaba a optimizar el surtido de productos de las tiendas y a aumentar los ingresos. Eso inspiró a otros trabajadores a imaginar cómo la IA podría aumentar y elevar su rendimiento. Anticiparse a los obstáculos únicos al cambio. Algunos obstáculos, como el miedo de los trabajadores a quedarse obsoletos, son comunes en todas las organizaciones. Pero la cultura de una empresa también puede tener características distintivas que contribuyan a la resistencia. Por ejemplo, si una empresa cuenta con gestores de relaciones que se enorgullecen de estar en sintonía con las necesidades de los clientes, es posible que rechacen la idea de que una máquina pueda tener mejores ideas sobre lo que quieren los clientes e ignoren las recomendaciones de productos a medida de una herramienta de IA. Y los directivos de las grandes organizaciones que creen que su estatus se basa en el número de personas que supervisan podrían oponerse a la toma de decisiones descentralizada o a la reducción de informes que la IA podría permitir. En otros casos, los procesos compartimentados pueden inhibir la adopción generalizada de la IA. Las organizaciones que asignan presupuestos por función o unidad de negocio pueden tener dificultades para reunir equipos ágiles interdisciplinarios, por ejemplo. Algunas soluciones pueden encontrarse revisando cómo las iniciativas de cambio anteriores superaron las barreras. Otras pueden implicar alinear las iniciativas de IA con los propios valores culturales que parecen obstáculos. En una institución financiera con un fuerte énfasis en la banca relacional, por ejemplo, los líderes destacaron la capacidad de la IA para mejorar los vínculos con los clientes. El banco creó un folleto para los gestores de relaciones que mostraba cómo la combinación de sus conocimientos y habilidades con las recomendaciones de productos a medida de la IA podía mejorar las experiencias de los clientes y aumentar los ingresos y los beneficios. El programa de adopción de la IA también incluyó un concurso de conversiones de ventas impulsadas por el uso de la nueva herramienta; los logros de los ganadores se mostraron en el boletín mensual del CEO a los empleados. Leonardo Ulian Una clase relativamente nueva de expertos, los traductores de análisis, puede desempeñar un papel en la identificación de los obstáculos. Estas personas tienden un puente entre los ingenieros y científicos de datos del ámbito técnico y las personas del ámbito empresarial -marketing, cadena de suministro, fabricación, personal de riesgos, etc.-. Los traductores ayudan a garantizar que las aplicaciones de IA desarrolladas responden a las necesidades empresariales y que la adopción se realiza sin problemas. Al principio del proceso de implantación, pueden encuestar a los usuarios finales, observar sus hábitos y estudiar los flujos de trabajo para diagnosticar y solucionar problemas. Comprender las barreras al cambio no sólo puede informar a los líderes sobre cómo comunicarse con la plantilla, sino que también les ayuda a determinar dónde invertir, qué iniciativas de IA son más factibles, qué formación debe ofrecerse, qué incentivos pueden ser necesarios, etc. Presupuestar tanto para la integración y la adopción como para la tecnología (si no más). En una de nuestras encuestas, casi el 90% de las empresas que habían llevado a cabo prácticas de ampliación con éxito habían gastado más de la mitad de sus presupuestos de análisis en actividades que impulsaban la adopción, como el rediseño del flujo de trabajo, la comunicación y la formación. Sólo el 23% de las empresas restantes habían destinado recursos similares. Los gestores de relaciones pueden rechazar la idea de que una máquina sepa lo que quieren los clientes. Pensemos en un proveedor de telecomunicaciones que estaba lanzando un nuevo programa de retención de clientes impulsado por la IA en su centro de llamadas. La empresa invirtió simultáneamente en el desarrollo del modelo de IA y en ayudar a los empleados del centro en la transición al nuevo enfoque. En lugar de limitarse a reaccionar ante las llamadas de cancelación del servicio, se pondrían en contacto de forma proactiva con los clientes en riesgo de deserción, dándoles recomendaciones generadas por la IA sobre nuevas ofertas que probablemente aceptarían. Los empleados recibieron formación y entrenamiento en el puesto de trabajo en las habilidades de venta necesarias para cerrar el negocio. Los entrenadores y los gerentes escuchaban sus llamadas, les daban comentarios individualizados y actualizaban continuamente los materiales de formación y los guiones de las llamadas. Gracias a esos esfuerzos coordinados, el nuevo programa redujo la deserción de clientes en un 10%. Equilibrar la viabilidad, la inversión de tiempo y el valor. Perseguir iniciativas que son excesivamente difíciles de poner en práctica o que requieren más de un año para su lanzamiento puede sabotear tanto los proyectos de IA actuales como los futuros. Las organizaciones no tienen por qué centrarse únicamente en las ganancias rápidas; deben desarrollar una cartera de iniciativas con diferentes horizontes temporales. Los procesos automatizados que no necesitan la intervención humana, como la detección de fraudes asistida por IA, pueden dar sus frutos en meses, mientras que los proyectos que requieren la participación humana, como el servicio de atención al cliente asistido por IA, probablemente darán sus frutos en un periodo más largo. El establecimiento de prioridades debe basarse en una visión a largo plazo (normalmente tres años) y tener en cuenta cómo podrían combinarse varias iniciativas con diferentes plazos para maximizar el valor. Por ejemplo, para conseguir una visión de los clientes lo suficientemente detallada como para que la IA pueda realizar una microsegmentación, una empresa podría necesitar poner en marcha una serie de iniciativas de ventas y marketing. Algunas, como las ofertas dirigidas, podrían aportar valor en unos pocos meses, mientras que el conjunto completo de capacidades podría tardar entre 12 y 18 meses en lograr un impacto total. Un minorista de Asia-Pacífico determinó que una iniciativa de IA para optimizar el espacio y la colocación del inventario no aportaría todo su valor a menos que la empresa reformara todas sus tiendas, reasignando el espacio para cada categoría de mercancías. Tras mucho debate, los ejecutivos de la empresa decidieron que el proyecto era lo suficientemente importante para la rentabilidad futura como para seguir adelante, pero no sin dividirlo en dos partes. La primera parte produjo una herramienta de IA que daba a los responsables de las tiendas recomendaciones sobre unos pocos artículos incrementales que se venderían bien en sus puntos de venta. La herramienta sólo proporcionó una pequeña fracción de la rentabilidad total prevista, pero los gerentes pudieron introducir los nuevos artículos en las tiendas inmediatamente, demostrando los beneficios del proyecto y creando entusiasmo para el viaje de varios años que tenían por delante. Organizarse para la escala Hay mucho debate sobre dónde deben residir las capacidades analíticas y de IA dentro de las organizaciones. A menudo, los líderes se preguntan simplemente: "¿Qué modelo organizativo funciona mejor?" y luego, tras escuchar lo que ha tenido éxito en otras empresas, hacen una de estas tres cosas: consolidar la mayoría de las capacidades de IA y análisis dentro de un "hub" central; descentralizarlas e incrustarlas principalmente en las unidades de negocio ("los radios"); o distribuirlas entre ambas, utilizando un modelo híbrido ("hub-and-spoke"). Hemos comprobado que ninguno de estos modelos es siempre mejor que los demás a la hora de conseguir la ampliación de la IA; la elección correcta depende de la situación individual de cada empresa. Las empresas con buenas prácticas de ampliación gastaron la mitad de sus presupuestos de análisis en la adopción. Consideremos dos grandes instituciones financieras con las que hemos trabajado. Una consolidó sus equipos de IA y análisis en un núcleo central, en el que todo el personal de análisis dependía del director de datos y análisis y se desplegaba en las unidades de negocio según las necesidades. La segunda descentralizó casi todo su talento analítico, haciendo que los equipos residieran en las unidades de negocio y dependieran de ellas. Ambas empresas desarrollaron la IA a una escala a la cabeza de su sector; la segunda organización pasó de 30 a 200 iniciativas de IA rentables en sólo dos años. Y ambas seleccionaron su modelo tras tener en cuenta la estructura, las capacidades, la estrategia y las características únicas de sus organizaciones. El centro. Un pequeño puñado de responsabilidades siempre son mejor gestionadas por un centro y dirigidas por el director de análisis o el director de datos. Entre ellas se incluyen la gobernanza de los datos, la estrategia de contratación y formación en IA y el trabajo con terceros proveedores de datos y servicios y software de IA. Los centros deben fomentar el talento en IA, crear comunidades en las que los expertos en IA puedan compartir las mejores prácticas y establecer procesos para el desarrollo de la IA en toda la organización. Nuestra investigación muestra que las empresas que han implantado la IA a gran escala tienen tres veces más probabilidades que sus homólogas de contar con un centro y 2,5 veces más probabilidades de disponer de una metodología clara para crear modelos, interpretar los conocimientos y desplegar nuevas capacidades de IA. Los hubs también deberían ser responsables de los sistemas y normas relacionados con la IA. Éstos deben estar impulsados por las necesidades de las iniciativas de una empresa, lo que significa que deben desarrollarse gradualmente, en lugar de establecerse de golpe, antes de que se hayan determinado los casos empresariales. Hemos visto a muchas organizaciones malgastar mucho tiempo y dinero -gastando cientos de millones de dólares por adelantado- en proyectos de limpieza e integración de datos en toda la empresa, sólo para abortar esos esfuerzos a mitad de camino, obteniendo pocos o ningún beneficio. Por el contrario, cuando un banco europeo descubrió que las estrategias contradictorias de gestión de datos estaban obstaculizando su desarrollo de nuevas herramientas de IA, adoptó un enfoque más lento, elaborando un plan para unificar su arquitectura y gestión de datos a lo largo de los cuatro años siguientes, mientras construía diversos casos empresariales para su transformación de la IA. Se espera que este programa multifase, que también incluye un rediseño organizativo y una estrategia de talento revisada, tenga un impacto anual de más de 900 millones de dólares. Los portavoces. Otro puñado de responsabilidades deben ser casi siempre propiedad de los portavoces, porque son los que están más cerca de quienes van a utilizar los sistemas de IA. Entre ellas se encuentran las tareas relacionadas con la adopción, incluida la formación de los usuarios finales, el rediseño del flujo de trabajo, los programas de incentivos, la gestión del rendimiento y el seguimiento del impacto. Para animar a los clientes a adoptar los servicios habilitados por la IA ofrecidos con sus equipos inteligentes y conectados, la organización de ventas y servicios de un fabricante creó un "equipo SWAT" que apoyó a los clientes que utilizaban el producto y desarrolló un plan de precios para impulsar la adopción. Este tipo de trabajo es claramente competencia de un portavoz y no puede delegarse en un centro de análisis. Organizar la IA a escala Las empresas con IA dividen las funciones clave entre un centro y los radios. Unas pocas tareas son siempre propiedad del centro, y los radios se encargan de su ejecución. El resto del trabajo cae en una zona gris, y las características individuales de una empresa determinan dónde debe realizarse. Organizar la IA a escala Las empresas con IA dividen las funciones clave entre un centro y los radios. Unas pocas tareas son siempre propiedad del centro, y los radios se encargan de la ejecución. El resto del trabajo cae en una zona gris, y las características individuales de una empresa determinan dónde debe realizarse. La zona gris. Gran parte del trabajo en las transformaciones exitosas de la IA cae en una zona gris en términos de responsabilidad. Las tareas clave -determinar la dirección de los proyectos de IA, analizar los problemas que resolverán, crear los algoritmos, diseñar las herramientas, probarlas con los usuarios finales, gestionar el cambio y crear la infraestructura de IT de apoyo- pueden pertenecer al centro o al radio, ser compartidas por ambos o ser compartidas con IT. Decidir dónde debe recaer la responsabilidad dentro de una organización no es una ciencia exacta, pero en ello deben influir tres factores: La madurez de las capacidades de IA. Cuando una empresa se encuentra al principio de su andadura en la IA, a menudo tiene sentido que los ejecutivos analíticos, los científicos de datos, los ingenieros de datos, los diseñadores de interfaces de usuario, los especialistas en visualización que interpretan gráficamente los resultados analíticos y similares se sitúen dentro de un centro y se desplieguen según sea necesario en los radios. Trabajando juntos, estos actores pueden establecer los principales activos y capacidades de IA de la empresa, como herramientas analíticas comunes, procesos de datos y metodologías de entrega. Pero a medida que pasa el tiempo y los procesos se estandarizan, estos expertos pueden residir en los radios con la misma (o mayor) eficacia. Complejidad del modelo empresarial. Cuanto mayor sea el número de funciones empresariales, líneas de negocio o geografías a las que darán soporte las herramientas de IA, mayor será la necesidad de crear gremios de expertos en IA (de, por ejemplo, científicos de datos o diseñadores). Las empresas con negocios complejos suelen consolidar estos gremios en el centro neurálgico y luego los asignan, según sea necesario, a unidades de negocio, funciones o geografías. El ritmo y el nivel de innovación técnica necesarios. Cuando necesitan innovar con rapidez, algunas empresas ponen más estrategia de área gris y creación de capacidades en el hub, de modo que puedan supervisar mejor los cambios en la industria y la tecnología y desplegar rápidamente recursos de IA para adelantarse a los retos de la competencia. Volvamos a las dos instituciones financieras de las que hemos hablado antes. Ambas se enfrentaban a presiones competitivas que exigían una rápida innovación. Sin embargo, su madurez analítica y su complejidad empresarial diferían. La institución que situó sus equipos de análisis en su centro de operaciones tenía un modelo de negocio mucho más complejo y una madurez en IA relativamente baja. Su experiencia en IA se centraba principalmente en la gestión de riesgos. Al concentrar a sus científicos de datos, ingenieros y muchos otros expertos en áreas grises dentro del hub, la empresa se aseguró de que todas las unidades de negocio y funciones pudieran acceder rápidamente a los conocimientos esenciales cuando fuera necesario. La segunda institución financiera tenía un modelo de negocio mucho más sencillo que implicaba especializarse en menos servicios financieros. Este banco también tenía una experiencia y unos conocimientos sustanciales en IA. Así que pudo descentralizar su talento en IA, integrando a muchos de sus expertos en análisis, estrategia y tecnología de áreas grises dentro de los radios de las unidades de negocio. Como sugieren estos ejemplos, decidir dónde deben residir las responsabilidades tiene algo de arte. Cada organización tiene capacidades distintivas y presiones competitivas, y los tres factores clave deben considerarse en su totalidad, más que individualmente. Por ejemplo, una organización puede tener una gran complejidad empresarial y necesitar una innovación muy rápida (lo que sugiere que debería trasladar más responsabilidades al centro), pero también tener capacidades de IA muy maduras (lo que sugiere que debería trasladarlas a los radios). Sus dirigentes tendrían que sopesar la importancia relativa de los tres factores para determinar dónde, en conjunto, sería más eficaz desplegar el talento. Los niveles de talento (un elemento de la madurez de la IA) suelen tener una gran influencia en la decisión. ¿Dispone la organización de suficientes expertos en datos como para que, si los trasladara permanentemente a los radios, pudiera seguir cubriendo las necesidades de todas las unidades de negocio, funciones y geografías? Si no es así, probablemente sería mejor alojarlos en el centro y compartirlos con toda la organización. Supervisión y ejecución. Aunque la distribución de las responsabilidades de la IA y los análisis varía de una organización a otra, las que amplían la IA tienen dos cosas en común: Una coalición rectora de líderes empresariales, de IT y de análisis. Integrar plenamente la IA es un largo viaje. Crear un grupo de trabajo conjunto para supervisarla garantizará que las tres funciones colaboren y compartan la responsabilidad, independientemente de cómo se repartan las funciones y responsabilidades. Este grupo, que a menudo convoca el director de análisis, también puede ser decisivo para dar impulso a las iniciativas de IA, sobre todo al principio. Equipos de ejecución basados en asignaciones. Las organizaciones que amplían la IA tienen el doble de probabilidades de crear equipos interdisciplinarios dentro de los portavoces. Dichos equipos reúnen una diversidad de perspectivas y solicitan las aportaciones del personal de primera línea a medida que construyen, despliegan y supervisan las nuevas capacidades de IA. Los equipos suelen reunirse al principio de cada iniciativa y extraen competencias tanto del centro como de los radios. Cada uno suele incluir al responsable del éxito de la nueva herramienta de IA (el "propietario del producto"), traductores, arquitectos de datos, ingenieros y científicos, diseñadores, especialistas en visualización y analistas empresariales. Estos equipos abordan los problemas de implementación en una fase temprana y extraen valor más rápidamente. Decidir dónde deben residir las responsabilidades y las funciones de la IA tiene algo de arte. Por ejemplo, en el minorista de Asia-Pacífico que estaba utilizando la IA para optimizar el espacio de las tiendas y la colocación del inventario, un equipo de ejecución interdisciplinar ayudó a derribar los muros entre los comerciantes (que determinaban cómo se expondrían los artículos en las tiendas) y los compradores (que elegían la gama de productos). Anteriormente, cada grupo había trabajado de forma independiente, y los compradores alteraban las recomendaciones de la IA según les convenía. Eso provocaba un desajuste entre el inventario comprado y el espacio disponible. Al invitar a ambos grupos a colaborar en el desarrollo de la herramienta de IA, el equipo creó un modelo más eficaz que proporcionaba una gama de opciones ponderadas a los compradores, que podían elegir las mejores con la aportación de los comerciantes. Al final del proceso, los márgenes brutos de cada categoría de productos en la que se había aplicado la herramienta aumentaron entre un 4% y un 7%. Educar a todos Para garantizar la adopción de la IA, las empresas necesitan educar a todo el mundo, desde los altos dirigentes hacia abajo. Con este fin, algunas están lanzando academias internas de IA, que suelen incorporar trabajo en el aula (en línea o en persona), talleres, formación en el puesto de trabajo e incluso visitas a compañeros experimentados del sector. La mayoría de las academias contratan inicialmente a profesores externos para que redacten los planes de estudios e impartan la formación, pero también suelen poner en marcha procesos para crear capacidades internas. Cada academia es diferente, pero la mayoría ofrece cuatro grandes tipos de instrucción: Liderazgo. La mayoría de las academias se esfuerzan por dar a los altos ejecutivos y a los líderes de las unidades de negocio una comprensión de alto nivel de cómo funciona la IA y las formas de identificar y priorizar las oportunidades de la IA. También proporcionan debates sobre el impacto en las funciones de los trabajadores, las barreras a la adopción y el desarrollo del talento, y ofrecen orientación para inculcar los cambios culturales subyacentes necesarios. Analítica. Aquí la atención se centra en afinar constantemente las habilidades duras y blandas de los científicos de datos, ingenieros, arquitectos y otros empleados que son responsables del análisis de datos, la gobernanza de datos y la construcción de las soluciones de IA. Traductor. Los traductores analíticos suelen proceder del personal empresarial y necesitan una formación técnica fundamental, por ejemplo, sobre cómo aplicar enfoques analíticos a los problemas empresariales y desarrollar casos de uso de la IA. Su instrucción puede incluir tutoriales en línea, experiencia práctica siguiendo de cerca a traductores veteranos y un "examen" final en el que deben aplicar con éxito una iniciativa de IA. 10 formas de descarrilar un programa de IA A pesar de las grandes inversiones, muchas organizaciones obtienen resultados decepcionantes de sus esfuerzos en IA y análisis. ¿Qué hace que los programas se descarrilen? Las empresas se disponen a fracasar cuando: Carecen de una comprensión clara de la analítica avanzada, dotándose de científicos de datos, ingenieros y otros actores clave sin darse cuenta de en qué se diferencian la analítica avanzada y la tradicional. No evalúan la viabilidad, el valor empresarial y los horizontes temporales, y lanzan proyectos piloto sin pensar en cómo equilibrar las ganancias a corto plazo en el primer año con los payoff a más largo plazo. No tienen una estrategia más allá de unos pocos casos de uso, abordando la IA de forma ad hoc sin tener en cuenta las oportunidades y amenazas a gran escala que la IA presenta en su sector. No definen claramente las funciones clave, porque no comprenden el tapiz de conjuntos de habilidades y tareas que requiere un programa de IA sólido. Carecen de "traductores" o expertos que puedan tender puentes entre los ámbitos empresarial y analítico identificando casos de uso de gran valor, comunicando las necesidades empresariales a los expertos en tecnología y generando la aceptación de los usuarios empresariales. Aíslan el análisis de la empresa, centralizándolo rígidamente o encerrándolo en silos mal coordinados, en lugar de organizarlo de forma que permita a los expertos en análisis y a los de la empresa colaborar estrechamente. Malgastan tiempo y dinero en la limpieza de datos en toda la empresa en lugar de alinear la consolidación y limpieza de datos con sus casos de uso más valiosos. Construyen completamente las plataformas analíticas antes de identificar los casos de negocio, estableciendo arquitecturas como los lagos de datos sin saber para qué se necesitarán y, a menudo, integrando las plataformas con los sistemas heredados de forma innecesaria. Descuidan la cuantificación del impacto final de la analítica, al carecer de un marco de gestión del rendimiento con métricas claras para el seguimiento de cada iniciativa. No se centran en las implicaciones éticas, sociales y normativas, por lo que son vulnerables a posibles errores en la adquisición y el uso de datos, al sesgo algorítmico y a otros riesgos, y se exponen a consecuencias sociales y legales. Para más detalles, lea "Diez banderas rojas que indican que su programa de análisis fracasará " en McKinsey.com.

Construir la organización potenciada por la IA

Resumen.

Partner Center