Convertir experimentos de IA en inteligencia empresarial y valor

La IA empresarial no está limitada por los modelos. Las empresas pueden ejecutar programas piloto de prueba, realizar tareas comunes e implementar modelos de prueba de concepto mucho más rápido que antes, pero a menudo no logran ir más allá de éxitos aislados de “IA”.

Pero el problema no es el modelo; es el entorno en el que trabajan. Muchos desafíos de escalado persisten, incluidos datos dispares y una propiedad poco clara, en gran parte porque estos sistemas fueron diseñados antes de que la IA se convirtiera en una opción central de negocio.  

Un estudio reciente de Wipro and HFS Research concluyó que, aunque el 90 % de los líderes empresariales espera que los equipos humanos y de IA se conviertan en una realidad dentro de tres años, solo el 18 % está rediseñando sus procesos para respaldar ese futuro. De manera similar, el 87 % afirma que están invirtiendo en IA más rápido de lo que pueden demostrar el valor obtenido. Las empresas no pueden esperar que la IA transforme el negocio si no han priorizado la actualización de sus datos, la gobernanza y los procesos de flujo de trabajo.

La capacidad de la IA se está volviendo rápidamente ubicua. Las ventajas competitivas provendrán de cuán eficazmente las organizaciones conecten datos, contexto, inteligencia, gobernanza y ejecución.

Los pilotos tienden a estancarse

Incluso cuando hay datos valiosos con los que trabajar, los programas piloto aún pueden fallar. Por ejemplo, si un pequeño equipo sabe de dónde provienen los datos de una hoja de cálculo, normalmente se siente cómodo utilizándolos. Sin embargo, es difícil escalar ese mismo nivel de comprensión de los datos a toda la organización. Con IA agente, es fácil recuperar información de múltiples sistemas o establecer flujos de trabajo que conduzcan a recomendaciones para los clientes. Aunque el agente de IA puede actuar rápidamente, a menudo no está claro si los datos son confiables. 

Cuando las empresas intentan expandirse de un caso de uso de IA a muchos, el escepticismo aumenta y pueden surgir problemas. Si la información del cliente se origina en diferentes sistemas, puede ser imposible saber cómo se obtuvo y curó la información original. De manera similar, pueden existir políticas de gobernanza, pero no está claro si esas reglas se aplicaron al conjunto de datos que los agentes obtuvieron.

Así que, aunque escalar la IA es atractivo, las inconsistencias generan trampas. Para asegurar realmente el valor de la IA agente, las empresas deben implementar diseños de datos y flujos de trabajo desde el principio, no después. 

Construir una base de IA confiable

Construir una base sólida preparada para IA significa que las personas y los sistemas de IA pueden descubrir, acceder y utilizar datos confiables con un sistema de gobernanza adecuado. 

Enfóquese en tres capacidades esenciales: 

1. Es fundamental adoptar un enfoque unificado de datos e IA. Las aplicaciones de IA agente necesitan obtener datos de una base sólida, no de sistemas dispares y desconectados. Esto reduce enormemente la confusión derivada de fuentes de datos superpuestas y facilita la aplicación de reglas sistemáticas de acceso, calidad y cumplimiento.
2. Incorporar la gobernanza al sistema desde el inicio es crucial para gestionar cómo se utilizan los datos. Por ejemplo, un agente que recomienda una acción debe basarse en información aprobada, operar dentro de un conjunto definido de permisos y proporcionar un registro rastreable de cómo llegó a los resultados que entregó.
3. Utilice la IA en flujos de trabajo y procesos reales. La IA debe integrarse en los flujos donde los empleados ya experimentan fricción, como al responder solicitudes de clientes o solucionar problemas de TI. 

No piense en la IA como una herramienta independiente. En su lugar, concéntrese en conectar agentes, supervisión humana y toma de decisiones dentro de un proceso integral gobernado. La supervisión humana es crucial, pero se trata más de contar con un control específico para procesos complejos. 

Poner la IA en práctica

Construir una base de datos que la IA pueda aprovechar es fundamental. Un ejemplo proviene de una operación de adquisición a pago en una empresa de salud al consumidor. Una gran organización puede procesar volúmenes masivos de facturas mientras gestiona procesos de aprobación complejos. La revisión manual de estas facturas ralentizaba los ciclos de pago y limitaba la visibilidad de dónde ocurrían los problemas. Aplicar IA agente para procesar las facturas resultó en una operación sin intervención del 70 % y un aumento de eficiencia del 45 %. El sistema impulsado por IA procesa aproximadamente un millón de facturas al año, lo que representa alrededor de $6 billion en valor, mientras dirige los problemas más complejos a personas para su revisión.

El objetivo es crear un proceso gobernado en el que el sistema pueda recuperar la información correcta, aplicar reglas aprobadas, aprender de patrones recurrentes y escalar solo cuando sea necesario. Una base de datos robusta brinda a los sistemas de IA el contexto necesario para respaldar la planificación, el análisis y la generación de informes, con la garantía de que existe un sistema de gobernanza.

Pasos para avanzar

Para preparar a la empresa para el éxito a largo plazo, aborde la expansión y escalabilidad de la IA con la misma diligencia que se emplea en un programa de transformación a nivel empresarial.

1. Datos e IA: Antes de comenzar, comprenda la fuente original de la información y pregunte: ¿Los datos estaban incompletos? ¿Las definiciones de negocio eran inconsistentes? ¿Las restricciones de acceso impidieron que el sistema viera el contexto necesario? ¿Los empleados carecían de un flujo de trabajo para usar o cuestionar la salida de la IA?
2. Crear una base: Es fundamental construir una base de datos sólida que priorice los dominios de datos que más importan para los casos de uso iniciales. Defina la propiedad y aplique el acceso con controles de calidad alineados desde el principio. El objetivo es datos de alta calidad y gobernados que generen confianza y fomenten mejores decisiones. 
3. Identificar algunos flujos de trabajo importantes donde los problemas empresariales estén totalmente claros; los datos estén disponibles y sea fácil medir el éxito. Crear agentes centrados en esos flujos, incluidos los que involucren intervención humana, para garantizar la calidad. 

Lo que se avecina

La próxima ventaja competitiva no provendrá del acceso a la IA. Provendrá de la capacidad de transformar los datos de toda la empresa en inteligencia empresarial y resultados de negocio medibles a escala. La IA empresarial se determinará por la calidad de los modelos creados y de los agentes construidos sobre ellos para operar de manera responsable y productiva. Vivir en un mundo de datos fragmentados, de origen deficiente y sin gestión limitará los resultados empresariales positivos. Las empresas que conecten datos, gobernanza y rediseño de flujos de trabajo pueden convertir los experimentos en valor a largo plazo. El camino hacia la IA agente comienza con las bases operativas y de datos que permiten la acción inteligente.