Antes de más modelos, el comercio necesita una revolución en la infraestructura de inteligencia artificial

La implementación de la inteligencia artificial en el comercio está avanzando a un ritmo notable. La inversión en inteligencia artificial en el sector minorista está acelerándose rápidamente, con un mercado proyectado que crecerá de $11.600 millones en 2024 a más de $40.000 millones para 2030.

De manera similar, se lanzan nuevos modelos en rápida sucesión, los proveedores continúan expandiendo sus capacidades y los minoristas están bajo una creciente presión de sus consejos de administración y accionistas para demostrar que están integrando activamente la inteligencia artificial en sus operaciones.

En la superficie, esto crea la impresión de una industria que está experimentando una transformación rápida y decisiva. Sin embargo, debajo de esta actividad, la mayoría de estas iniciativas se están superponiendo a sistemas que nunca fueron diseñados para soportarlas.

La limitación no es la disponibilidad ni la calidad de los modelos. Es el estado de la infraestructura que se encuentra debajo de ellos.

Cuando se implementa la inteligencia artificial, el primer presupuesto no debe destinarse a la inteligencia artificial en sí. Debe destinarse a lo que llamamos “confianza en los datos”, que es la infraestructura de datos. Estos son conexiones entre sistemas, deduplicación de datos y actualizaciones en tiempo real.

No hacerlo es la razón por la que la inteligencia artificial fracasa en el comercio, y por la que muchos esfuerzos comienzan con impulso pero luchan por traducirse en un impacto sostenido. Para implementar con éxito la inteligencia artificial, debemos comenzar con la infraestructura.

En contraste, en el comercio, la conversación en sí tiende a comenzar una capa demasiado alta, centrándose en la elección de modelos o la identificación de casos de uso de alto potencial. Lo que recibe mucha menos atención es si la arquitectura de datos subyacente puede respaldar cualquiera de estas decisiones de manera significativa.

Si los datos subyacentes están fragmentados, la inteligencia artificial solo generará salidas que pueden ser perjudiciales o engañosas.

En organizaciones más grandes, esta tendencia se ve reforzada por la necesidad de señalarizar el progreso. “Hacer algo con la inteligencia artificial” se convierte en un objetivo en sí mismo, y la introducción de un modelo es a menudo la forma más inmediata de lograrlo, independientemente de si produce un valor medible.

En el nivel de la junta directiva, las expectativas en torno a la inteligencia artificial están acelerándose en la forma de una mejor personalización y ganancias medibles en eficiencia y margen. A nivel de sistema, la preparación no está manteniendo el ritmo. Cuanto más tiempo persista esta brecha, más costoso será corregirla, ya que se agregan capas de tecnología sobre fundamentos que siguen sin cambiar.

Qué significa “no estar listo para la inteligencia artificial” en la práctica

Un problema principal es la falta de coherencia entre los sistemas. Por ejemplo, un solo cliente puede existir simultáneamente en una plataforma de planificación de recursos empresariales, un entorno de comercio electrónico y un sistema de fidelidad o fuera de línea, cada instancia con diferentes historias y suposiciones.

Los datos de productos, aunque técnicamente completos, son limitados en términos de proporcionar contexto que permita a un modelo interpretar o razonar sobre ellos de manera efectiva. La mala calidad de los datos solo se estima que cuesta a las organizaciones casi $13 millones al año, lo que subraya cuán fundamentales son estas limitaciones.

Los equipos humanos aprenden a navegar estas inconsistencias con el tiempo, construyendo puentes informales entre sistemas. Un modelo, por otro lado, opera estrictamente dentro de la estructura que se le da, y las salidas que genera están limitadas en consecuencia.

Cuando se introduce la inteligencia artificial en este entorno, el resultado no es una falta de salida, sino una degradación gradual en su calidad.

Un modelo puede procesar datos y producir salidas, pero no conectará sistemas por sí solo.

En la práctica, esto puede manifestarse como un motor de personalización que comienza a ofrecer recomendaciones de productos muy específicas que categorizan a un cliente de maneras que no reflejan sus preferencias o intenciones reales.

En sistemas impulsados por la inteligencia artificial, las experiencias del cliente a menudo se vuelven más precisas pero menos relevantes.

Esta transición de la relevancia general a la irrelevancia específica puede ser más perjudicial de lo que parece, ya que altera la forma en que los clientes perciben la marca en sí. En los peores casos, estos sistemas no solo subdesempeñan. Activamente degradan la experiencia del cliente.

Por qué la mayoría de los pilotos de inteligencia artificial se estancan y cuánto cuesta

Esta dinámica es una de las razones principales por las que una gran proporción de pilotos de inteligencia artificial en el comercio no logran avanzar más allá de la experimentación. Los datos de la industria sugieren que solo alrededor de la mitad de las iniciativas de inteligencia artificial pasan de la fase de prueba a la producción, dejando una proporción significativa estancada en la etapa de experimentación.

El problema rara vez es la falta de inversión o intención. La limitación surge cuando las salidas generadas por estos sistemas no justifican la escalabilidad.

En ese punto, las organizaciones se enfrentan a una elección entre continuar invirtiendo en optimización o abandonar la iniciativa por completo. En muchos casos, eligen lo último porque el entorno en el que se está desplegando no puede respaldar resultados consistentes.

A lo largo de la industria, las mismas brechas de infraestructura se repiten. Los datos de los clientes siguen fragmentados en lugar de unificados. La información del producto existe, pero carece de la profundidad necesaria para la interpretación. Los sistemas operan en paralelo en lugar de como un flujo coherente de información. Cuando se introducen modelos en este entorno, escalan estos problemas.

El costo de este enfoque se extiende más allá de los gastos directos. Se manifiesta como una acumulación generalizada de recomendaciones que no se convierten, personalización que se siente inconsistente y automatización que amplifica los errores existentes.

Con el tiempo, esto crea una erosión sutil pero significativa de la confianza dentro de la organización. Los equipos comienzan a cuestionar la confiabilidad de los sistemas que están construyendo, y se introducen capas adicionales de tecnología para compensar. El resultado es un retraso en alcanzar la claridad necesaria para construir sistemas que funcionen.

La razón por la que muchas empresas construyen pilotos de inteligencia artificial pero nunca van más allá de ellos es que están construyendo estos pilotos sobre fundamentos débiles, lo que es como cocinar con ingredientes malos.

Puedes tener una receta de Gordon Ramsay y excelente equipo, pero si los ingredientes son malos, el resultado seguirá siendo negativo.

La diferencia entre startups y grandes corporaciones

Las organizaciones más pequeñas, particularmente aquellas en el rango del mercado medio, a menudo demuestran una mayor capacidad para implementar la inteligencia artificial de manera efectiva. Esto se debe a que sus sistemas están menos fragmentados y sus procesos de toma de decisiones son más directos.

En organizaciones más grandes, la estructura en sí introduce posibles obstáculos. Las iniciativas a menudo están impulsadas por la necesidad de responder a expectativas externas, y la inteligencia artificial se convierte en una categoría que debe abordarse en lugar de una capacidad que se integra cuidadosamente.

Decir “queremos implementar la inteligencia artificial” es como llevar electricidad a una fábrica sin máquinas. Las luces se encienden, pero la producción no mejora, porque se invirtió en tecnología sin saber qué hará en realidad.

La transición de los modelos a la infraestructura

Un enfoque alternativo está comenzando a tomar forma entre las organizaciones que han encontrado estas limitaciones directamente.

En lugar de asignar presupuestos iniciales a los modelos de inteligencia artificial, están invirtiendo en lo que se puede describir como “confianza en los datos”, que es la creación de una base donde los datos sean coherentes, conectados y actualizados continuamente. El objetivo es asegurarse de que los datos utilizados puedan respaldar decisiones significativas.

La preparación de datos puede tomar hasta el 80% del tiempo dedicado a proyectos de aprendizaje automático, lo que subraya cuánto del trabajo se encuentra en la capa de datos subyacente en lugar de en los modelos en sí.

Este proceso generalmente comienza con un mapeo detallado de los sistemas existentes y la identificación de brechas en el flujo y la integridad de los datos. Los primeros 30 a 60 días a menudo se dedican a comprender cómo se mueve o no se mueve la información a lo largo de la organización. Esto se sigue de un período de integración y estandarización, durante el cual los datos se limpian, se deduplican y se alinean en todas las plataformas.

En los siguientes tres a seis meses, las empresas se centran en construir tuberías de datos confiables y en conectar sistemas de alto valor de manera que respalden casos de uso reales. Solo una vez que se establece esta base, es posible introducir la inteligencia artificial en flujos de trabajo que pueden producir resultados consistentes y medibles.

Dentro de un horizonte de seis a nueve meses, las organizaciones que siguen este enfoque generalmente comienzan a ver resultados significativos en la forma de procesos impulsados por la inteligencia artificial que influyen en métricas como la conversión, la retención y la mejora del margen. En ese punto, los modelos dejan de ser experimentos y se convierten en parte de las operaciones. Su rendimiento se estabiliza y sus salidas se vuelven accionables hasta el punto de que los equipos pueden comenzar a confiar en ellos.

La aceleración de la inversión en inteligencia artificial en el comercio es poco probable que se desacelere en el corto plazo. Lo que sigue siendo incierto es si la preparación de la infraestructura podrá mantener el ritmo y respaldarla. La brecha creciente entre lo que las organizaciones esperan que la inteligencia artificial entregue y lo que sus sistemas pueden respaldar ya es visible en el número creciente de pilotos que no logran alcanzar la producción. Abordar esta brecha requiere una transición en el enfoque hacia la construcción de esta infraestructura crítica.

Desplazar la conversación de los modelos a la infraestructura no lleva la misma inmediatez o visibilidad. Pero es donde muchas de las limitaciones actuales residen. Y es aquí donde la próxima fase de progreso significativo en el comercio impulsado por la inteligencia artificial probablemente emergerá.