Por qué la mayor parte de la inversión en IA no cumplirá con las expectativas o fracasará

Las personas y las empresas están obsesionadas con el potencial de la IA, pero 80% de los proyectos de IA fracasarán — y no se debe a la falta de deseo o entusiasmo.

Aunque la IA está permeando todas las industrias y sectores, el problema radica en que las empresas no se están preparando adecuadamente para este cambio tecnológico.

Boston Consulting Group informa que una de cada tres empresas a nivel global planea gastar más de $25 millones en IA. Por lo tanto, millones de dólares se desperdiciarán si las empresas continúan sumergiéndose en soluciones de IA sin planificar con anticipación.

Sin embargo, con iniciativas de gestión del cambio sólidas y un sistema para apoyar la nueva innovación y KPI medibles, las empresas pueden cambiar el rumbo de la historia de éxito de su IA.

Vamos a profundizar en las tres principales razones por las que las iniciativas de IA fracasan.

Poner la tecnología primero y el negocio segundo

Cientos de informes y estudios, especialmente sobre generative AI, muestran la velocidad y la impresionante destreza intelectual de los algoritmos y programas de IA.

Se ha invertido mucha innovación en IA, lo que lleva a las empresas a querer sumergirse de pies a cabeza y invertir en prototipos de vanguardia. Sin embargo, el riesgo es que pueden gastar millones de dólares en una solución que resulta en un objetivo comercial poco claro o sin impacto medible.

De hecho, Gartner predice que al menos 30% de los proyectos de generative AI serán abandonados a finales de 2025 debido a la mala calidad de los datos, controles de riesgo inadecuados y costos en aumento o valor comercial poco claro.

Los malos datos son un obstáculo particular que la mayoría de las empresas no logran superar, especialmente cuando se trata de maximizar la eficiencia y la eficacia de las soluciones de IA. Los datos segmentados son uno de los problemas más prominentes y es un problema empresarial que no se puede ignorar. Los equipos pueden perder horas intentando encontrar información crucial para la toma de decisiones estratégicas.

Y no solo se ven afectados los equipos, sino también las herramientas. Los modelos de aprendizaje automático, por ejemplo, no pueden funcionar correctamente cuando los datos están desconectados y llenos de errores.

Para asegurar un ROI positivo en la inversión, y antes de que comience cualquier trabajo técnico, las organizaciones deben identificar los problemas comerciales específicos que la solución de IA está destinada a resolver. Esto incluye establecer KPI y objetivos medibles, como la reducción de costos, el aumento de ingresos o mejoras en la eficiencia como reducir el tiempo que se tarda en recuperar datos.

Específicamente, la estrategia comercial debe ser lo primero, y la implementación de la tecnología sigue en consecuencia. En última instancia, las soluciones tecnológicas deben servir como un medio para impulsar los resultados comerciales. Además, la necesidad comercial es esencialmente la columna vertebral de la implementación de IA y otras tecnologías.

Por ejemplo, una empresa de logística que quiera aprovechar la IA podría establecer objetivos medibles para su software de IA para optimizar la previsión de la demanda y mejorar la gestión de la flota, reduciendo el número de camiones subutilizados en un 25% en los primeros seis meses y ayudándolos a aumentar las ganancias en un 5%.

Las empresas necesitan objetivos medibles para comprobar consistentemente que la IA no solo está mejorando la eficiencia, sino que también es cuantificable. Esto es esencial cuando se explica a los stakeholders de la empresa que la apuesta cara de la IA no solo valió la pena, sino que tienen los datos para probarlo.

Implementación de IA demasiado ambiciosa

La promesa de la IA de revolucionar todo se reitera consistentemente en los medios de comunicación y a menudo se representa como una bala de plata. Esto puede infundir una sensación de falsa confianza en los líderes empresariales, llevándolos a creer que pueden aprovechar los nuevos sistemas de IA y integrarlos en los procesos comerciales simultáneamente.

Sin embargo, los intentos demasiado ambiciosos de resolver un problema de un solo golpe suelen llevar al fracaso. En cambio, las empresas deben comenzar pequeñas y escalar estratégicamente para obtener mejores resultados.

Por ejemplo, se ha demostrado el éxito a gran escala con Walmart, que introdujo algoritmos de aprendizaje automático de forma incremental para optimizar la gestión de inventario. El resultado! Una reducción del 30% en el inventario en exceso y un aumento del 20% en la disponibilidad en estantes.

Para ayudar con esto, las empresas deben adaptarse a un marco de ‘zona para ganar’ para la implementación de IA, una metodología probada que ayuda a los equipos a entender que deben equilibrar la operación actual con la innovación futura.

El marco divide las actividades comerciales en cuatro zonas: rendimiento, productividad, incubación y transformación. La IA no puede disruptar todo al mismo tiempo, y la zona de incubación crea un espacio dedicado para experimentar con tecnologías de IA sin disruptar el negocio principal.

Por ejemplo, así es como el marco de ‘zona para ganar’ podría aplicarse a una empresa de logística de almacenamiento en frío que implementa IA:

• Zona de rendimiento: Las operaciones comerciales principales de la empresa, como la programación de almacenes y la implementación de mercaderías, son clave para generar ingresos. Los KPI sobre la mejora de la eficiencia del almacén para reducir los tiempos de espera y aumentar las entregas son prioridades.
• Zona de productividad: Aquí, se abordan los procesos internos para aumentar la eficiencia y reducir costos, como los cargos por detención, integrando capacidades de ciencia de datos, como análisis predictivos y herramientas de análisis en tiempo real.
• Zona de incubación: La empresa dedica tiempo a pilotar herramientas impulsadas por datos en ciertos almacenes, lo que permite a los equipos determinar qué innovaciones podrían convertirse en futuras fuentes de ingresos.
• Zona de transformación: Aquí es donde la empresa amplía su transformación digital a una escala organizacional, siguiendo una infraestructura digital integral que garantiza resultados comerciales recurrentes.

El marco ayuda a los líderes a tomar decisiones sobre la asignación de recursos entre el mantenimiento de las operaciones actuales y la inversión en capacidades impulsadas por IA. Esta conciencia ayuda a evitar el problema y el fracaso inevitable cuando las inversiones en IA se dispersan demasiado entre demasiados departamentos y procesos.

Falta de adopción de usuarios

Las empresas están apresurándose para aprovechar todos los beneficios que ofrecen la IA y el aprendizaje automático sin considerar primero a las personas que los utilizarán. Incluso las soluciones de IA más sofisticadas fracasan si los usuarios finales no entienden la tecnología — todo depende de la confianza y la capacitación integral.

El factor subyacente vital para integrar la IA es operacionalizarla. Eso significa asegurarse de que las herramientas de IA estén integradas en los flujos de trabajo y se hayan vuelto mainstream en los procesos comerciales.

Otras herramientas de trabajo, como los CRM, optimizan y controlan todo el proceso desde el principio hasta el final. Esto hace que la capacitación sea fácil, ya que cada paso del proceso se puede mostrar y explicar. Sin embargo, la IA generativa opera a un nivel más granular de ‘tarea’ en lugar de abarcar procesos completos. Se puede utilizar esporádicamente dentro de los diferentes pasos de los métodos; en lugar de respaldar un flujo de trabajo completo, cada usuario puede aplicar la IA de manera ligeramente diferente para sus tareas específicas.

Ruth Svensson, socia de KPMG UK, le dijo a Forbes: “Debido a que la IA generativa opera a nivel de tarea en lugar de a nivel de proceso, no se pueden ver las brechas de capacitación tan fácilmente”. Como resultado, los empleados pueden estar utilizando la herramienta de IA sin entender cómo se ajusta a los objetivos comerciales más amplios, lo que lleva a brechas de capacitación ocultas. Estas brechas pueden incluir una falta de comprensión de cómo aprovechar al máximo las capacidades de la IA, cómo interactuar con el sistema de manera efectiva o cómo asegurarse de que los datos que genera se utilicen correctamente.

En este caso, la gestión del cambio se vuelve crucial para la adopción de usuarios. La gestión del cambio permite a las organizaciones asegurarse de que sus empleados no solo estén adoptando la nueva tecnología, sino que también estén comprendiendo sus implicaciones completas para sus tareas y procesos comerciales.

Sin una gestión del cambio adecuada, las empresas perderán el objetivo cuando se trata de la adopción de herramientas de IA por parte de los usuarios, mientras corren el riesgo de exacerbar las brechas tecnológicas, que son una pendiente resbaladiza hacia más ineficiencias, errores y una falta de maximización del potencial de la solución de IA.

Para que las iniciativas de gestión del cambio funcionen, necesitan un equipo de liderazgo calificado designado para liderar el movimiento. Los líderes deben identificar las brechas de capacitación a nivel de tarea y proporcionar o organizar capacitación personalizada para los empleados en función de las tareas específicas para las que utilizarán la IA.

La idea es empoderar y animar a los empleados a tener una mayor comprensión y confianza en el nuevo sistema. Solo entonces vendrá la comprensión y la aceptación, lo que llevará a las empresas a disfrutar de una adopción generalizada y una mejor aplicación de la tecnología.

Está claro que la IA es la tecnología definitoria de esta década, pero sin operacionalización, su impacto seguirá siendo desperdiciado. Al mejorar las iniciativas de gestión del cambio, implementar iniciativas de IA de forma lenta y utilizar KPI medibles, las empresas no solo estarán invirtiendo en IA; estarán obteniendo beneficios de ella.