Jay Allardyce, Gerente General, Datos y Análisis en insightsoftware – Serie de Entrevistas

Jay Allardyce es Gerente General, Datos y Análisis en insightsoftware. Es un ejecutivo de tecnología con más de 23 años de experiencia en empresas B2B como Google (GOOGL ), Uptake, GE y HP. También es co-fundador de GenAI.Works, que lidera la mayor comunidad de inteligencia artificial en LinkedIn.

insightsoftware es un proveedor global de soluciones de software financieras y operativas. La empresa ofrece herramientas que apoyan la planificación y el análisis financieros (FP&A), la contabilidad y las operaciones. Sus productos están diseñados para mejorar la accesibilidad de los datos y ayudar a las organizaciones a tomar decisiones informadas y oportunas.

Has enfatizado la urgencia de que las empresas adopten la inteligencia artificial en respuesta a las crecientes expectativas de los clientes. ¿Cuáles son los pasos clave que las empresas deben seguir para evitar caer en la trampa del “miedo a perderse la inteligencia artificial” y adoptar soluciones de inteligencia artificial genéricas?

Los clientes están dejando claro a las empresas que desean capacidades de inteligencia artificial aumentadas en las herramientas que utilizan. En respuesta, las empresas están apresurándose para satisfacer estas demandas y mantener el ritmo con sus competidores, lo que crea un ciclo frenético para todas las partes involucradas. Y sí, el resultado final es el miedo a perderse la inteligencia artificial, que puede empujar a una empresa a apresurar su innovación en un intento de simplemente decir: “tenemos inteligencia artificial”.

El consejo más grande que tengo para las empresas para evitar caer en esta trampa es tomar el tiempo para entender qué puntos de dolor los clientes están pidiendo que la inteligencia artificial resuelva. ¿Hay un problema de proceso que es demasiado manual? ¿Hay una tarea repetitiva que necesita ser automatizada? ¿Hay cálculos que podrían ser computados fácilmente por una máquina!

Una vez que las empresas tengan este contexto necesario, pueden comenzar a adoptar soluciones con propósito. Podrán ofrecer a los clientes herramientas de inteligencia artificial que resuelvan un problema, en lugar de aquellas que simplemente agreguen confusión a los problemas existentes.

Muchas empresas se apresuran a implementar la inteligencia artificial sin comprender completamente sus casos de uso. ¿Cómo pueden las empresas identificar las soluciones impulsadas por la inteligencia artificial adecuadas para sus necesidades específicas en lugar de confiar en implementaciones genéricas?

En el lado del cliente, es importante mantener una comunicación constante para comprender mejor qué casos de uso son los más apremiantes. Los consejos de defensa del cliente pueden proporcionar una solución útil. Pero más allá de los clientes, también es importante que los equipos miren hacia dentro y comprendan cómo agregar nuevas herramientas de inteligencia artificial afectará la funcionalidad interna. Para cada nueva herramienta que se introduce a un cliente, los equipos de datos internos se enfrentan a una montaña de nuevas variables y nuevos datos que se están creando.

Mientras todos queremos agregar nuevas capacidades y mostrarlas a los clientes, ninguna implementación de inteligencia artificial tendrá éxito sin el apoyo de los equipos de datos internos y científicos detrás de su desarrollo. Alinear internamente para comprender la capacidad y luego mirar hacia afuera para decidir qué solicitudes de clientes pueden ser atendidas con el apoyo adecuado detrás de ellas.

Has ayudado a empresas del Fortune 1000 a adoptar un enfoque basado en datos. ¿Qué significa realmente para una empresa ser “dirigida por datos”, y qué son algunos de los obstáculos comunes que las empresas encuentran durante esta transformación?

Para que una empresa sea “dirigida por datos”, las empresas necesitan aprender a aprovechar los datos de manera efectiva. Un equipo verdaderamente dirigido por datos puede ejecutar decisiones basadas en datos de manera efectiva, lo que implica utilizar la información para informar y apoyar las decisiones comerciales. En lugar de confiar únicamente en la intuición o la experiencia personal, los responsables de la toma de decisiones recopilan y analizan datos relevantes para guiar sus estrategias. Tomar decisiones basadas en datos puede ayudar a las empresas a derivar perspectivas más informadas y objetivas, lo que en un mercado en constante cambio puede significar la diferencia entre una decisión estratégica y una impulsiva.

Un obstáculo común para lograr esto es la gestión de datos ineficaz, lo que conduce a una “sobrecarga de datos”, donde los equipos están abrumados por grandes cantidades de datos y no pueden hacer nada con ellos. A medida que las empresas intentan centrar sus esfuerzos en los datos más importantes, tener demasiado acceso a ellos puede generar retrasos e ineficiencias si no se gestionan adecuadamente.

Dado tu experiencia trabajando con tecnologías de IoT y industriales, ¿cómo ves la intersección de la inteligencia artificial y el IoT evolucionando en industrias como la energía, el transporte y la construcción pesada?

Cuando el IoT llegó a la escena, había una creencia de que permitiría una mayor conectividad para mejorar la toma de decisiones. A su vez, esta conectividad desbloqueó un nuevo mundo de valor económico, y de hecho, esto fue y sigue siendo el caso para el sector industrial.

El problema fue que mucha gente se centró en la “fontanería inteligente”, utilizando el IoT para conectar, extraer y comunicarse con dispositivos distribuidos, y menos en el resultado. Necesitas determinar el problema exacto que se debe resolver, ahora que estás conectado a, digamos, 400 activos de construcción pesada o 40 centrales eléctricas propiedad de la empresa. El resultado, o el problema que se debe resolver, finalmente se reduce a comprender qué KPI podría mejorarse en términos de productividad, ahorro de costos o ingresos (si no es una combinación). Cada empresa está gobernada por un conjunto de KPI de nivel superior que miden el desempeño operativo y accionario. Una vez que se determinan estos, el problema que se debe resolver (y, por lo tanto, qué datos serían útiles) se vuelve claro.

Con esta base en su lugar, la inteligencia artificial – ya sea predictiva o generativa – puede tener un impacto 10-50 veces mayor en ayudar a una empresa a ser más productiva en lo que hace. El suministro optimizado, los ciclos de servicio y los ciclos de reparación se basan en un patrón de señal de demanda claro que se combina con las variables de entrada necesarias. Por ejemplo, la idea de tener la “parte correcta, en el momento correcto, en la ubicación correcta” puede significar millones para una empresa de construcción – ya que tienen menos requisitos de nivel de inventario y técnicos de servicio optimizados en función de un modelo de inteligencia artificial que sabe o predice cuándo puede fallar una máquina o cuándo puede ocurrir un evento de servicio. A su vez, este modelo, combinado con datos operativos estructurados y datos de IoT (para activos distribuidos), puede ayudar a una empresa a ser más dinámica y optimizada marginalmente sin sacrificar la satisfacción del cliente.

Has hablado sobre la importancia de aprovechar los datos de manera efectiva. ¿Cuáles son algunas de las formas más comunes en que las empresas malutilizan los datos, y cómo pueden convertirlos en una verdadera ventaja competitiva?

El término “inteligencia artificial”, cuando se toma al pie de la letra, puede ser un poco engañoso. Introducir cualquier dato en un motor de inteligencia artificial no significa que produzca resultados útiles, relevantes o precisos. A medida que los equipos intentan mantener el ritmo de la innovación en inteligencia artificial en el mundo de hoy, ocasionalmente olvidamos la importancia de la preparación y el control de los datos, que son críticos para garantizar que los datos que alimentan la inteligencia artificial sean completamente precisos. Al igual que el cuerpo humano depende de combustible de alta calidad para alimentarse, la inteligencia artificial depende de datos limpios y consistentes que garanticen la precisión de sus previsiones. Especialmente en el mundo de los equipos financieros, esto es de la máxima importancia para que los equipos puedan producir informes precisos.

¿Cuáles son las mejores prácticas para empoderar a los equipos no técnicos dentro de una organización para que utilicen los datos y la inteligencia artificial de manera efectiva, sin abrumarlos con herramientas o procesos complejos?

Mi consejo es que los líderes se centren en empoderar a los equipos no técnicos para que generen sus propios análisis. Para ser verdaderamente ágiles como empresa, los equipos técnicos necesitan centrar sus esfuerzos en hacer que el proceso sea más intuitivo para los empleados en toda la organización, en lugar de centrarse en la creciente lista de solicitudes de finanzas y operaciones. Eliminar los procesos manuales es realmente el primer paso importante en este proceso, ya que permite a los líderes operativos pasar menos tiempo recopilando datos y más tiempo analizando los datos.

insightsoftware se centra en llevar la inteligencia artificial a las operaciones financieras. ¿Cómo está cambiando la inteligencia artificial la forma en que los directores financieros y los equipos financieros operan, y cuáles son los principales beneficios que la inteligencia artificial puede aportar a la toma de decisiones financieras?

La inteligencia artificial ha tenido un impacto profundo en la toma de decisiones financieras y los equipos financieros. De hecho, 87% de los equipos ya están utilizando la inteligencia artificial a un ritmo moderado o alto, lo que es una medida fantástica de su éxito y impacto. En particular, la inteligencia artificial puede ayudar a los equipos financieros a producir previsiones vitales más rápido y, por lo tanto, más frecuentemente – lo que mejora significativamente los actuales ciclos de previsión, que estiman que el 58% de los ciclos de presupuesto son más largos que cinco días.

Al agregar la inteligencia artificial a este proceso de toma de decisiones, los equipos pueden aprovecharla para automatizar tareas tediosas, como la generación de informes, la validación de datos y las actualizaciones del sistema de origen, lo que libera un valioso tiempo para el análisis estratégico. Esto es particularmente importante en un mercado volátil donde los equipos financieros necesitan la agilidad y la flexibilidad para impulsar la resiliencia. Por ejemplo, el caso de un equipo financiero en medio de los ciclos de presupuesto y planificación. Las soluciones impulsadas por la inteligencia artificial pueden entregar previsiones más precisas, lo que ayuda a los profesionales financieros a tomar mejores decisiones a través de una planificación y análisis más profundos.

¿Cómo ves evolucionando las necesidades de datos en los próximos cinco años, particularmente en relación con la integración de la inteligencia artificial y el cambio a recursos en la nube?

Creo que los próximos cinco años demostrarán la necesidad de una mayor agilidad de los datos. Con la velocidad a la que cambia el mercado, los datos deben ser lo suficientemente ágiles como para permitir que las empresas permanezcan competitivas. Vimos esto en la transición de las instalaciones a fuera de las instalaciones a la nube, donde las empresas tenían datos, pero ninguno de ellos era útil o lo suficientemente ágil como para ayudarlas en la transición. La flexibilidad mejorada significa una mejor toma de decisiones basada en datos, colaboración, gestión de riesgos y una serie de otras capacidades. Pero al final del día, equipa a los equipos con las herramientas que necesitan para abordar los desafíos de manera efectiva y adaptarse según sea necesario a las tendencias o demandas del mercado en constante cambio.

¿Cómo aseguras que las tecnologías de inteligencia artificial se utilicen de manera responsable, y qué consideraciones éticas deben priorizar las empresas al implementar soluciones de inteligencia artificial?

Trayendo un paralelo con el surgimiento y la adopción de la nube, las organizaciones temían dar sus datos a alguna entidad desconocida para que los ejecutara, mantuviera, gestionara y protegiera. Tomó varios años construir esa confianza. Ahora, con la adopción de la inteligencia artificial, un patrón similar está emergiendo.

Las organizaciones deben confiar nuevamente en un sistema para proteger su información y, en este caso, producir información viable que sea fáctica, referenciable y también confiable. Con la nube, se trataba de “quién posee o gestiona” sus datos. Con la inteligencia artificial, se centra en la confianza y el uso de esos datos, así como en la derivación de la información creada como resultado. Con eso dicho, sugiero que las organizaciones se centren en las siguientes tres cosas al implementar tecnologías de inteligencia artificial:

1. Acercarse – No tengas miedo de utilizar esta tecnología, pero adopta y aprende.
2. Enraizarse – Los datos empresariales que posees y gestionas son la verdad cuando se trata de precisión de la información, siempre y cuando la información sea veraz, fáctica y referenciable. Asegúrate de que, al construir a partir de tus datos, comprendas el origen de cómo se entrena el modelo de inteligencia artificial y qué información está utilizando. Como todas las aplicaciones o datos, el contexto es importante. Las aplicaciones no impulsadas por inteligencia artificial producen resultados falsos o inexactos. Solo porque la inteligencia artificial produce un resultado inexacto, no significa que debamos culpar al modelo, sino más bien comprender qué se está alimentando al modelo.
3. Valor – Comprende el caso de uso por el cual la inteligencia artificial puede mejorar significativamente el impacto.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar insightsoftware.