Por qué la mayoría de las inversiones en IA no darán los resultados esperados o fracasarán

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

Aunque la IA está penetrando en 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 saltando a soluciones de IA sin planificar con anticipación.

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

Veamos las tres razones principales por las que las iniciativas de IA fracasan.

Poniendo la tecnología antes que los negocios

Cientos de informes y estudios, especialmente sobre IA generativa, 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 saltar de cabeza y invertir en prototipos de vanguardia. Sin embargo, el riesgo es que puedan gastar millones de dólares en una solución que resulte en un objetivo comercial poco claro o sin impacto medible.

De hecho, Gartner predice que al menos el 30% de los proyectos de IA generativa serán abandonados a finales de 2025 debido a la mala calidad de los datos, el control de riesgos inadecuado y los costos crecientes o el valor comercial poco claro.

La mala calidad de los datos es 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 siloizados son uno de los problemas más prominentes y es un problema empresarial que no se puede ignorar. Los equipos pueden acabar perdiendo horas intentando localizar la información faltante crucial para la toma de decisiones estratégicas.

Y no solo los equipos se ven afectados, 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 garantizar un retorno de la inversión positivo 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 KPIs y objetivos medibles, como la reducción de costos, el aumento de ingresos o mejoras de eficiencia como reducir el tiempo que se tarda en recuperar datos.

Específicamente, la estrategia comercial debe ser la primera, y la implementación tecnológica debe seguir 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 desee 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 verificar constantemente 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 también tienen los datos para probarlo.

Implementación de IA demasiado ambiciosa

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

Sin embargo, los intentos demasiado ambiciosos de resolver un problema de una vez por todas 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 manera 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 el despliegue de mercancías, son clave para generar ingresos. Los KPIs sobre la mejora de la eficiencia del almacén para reducir los tiempos de espera y aumentar las entregas son prioridades.
• Zona de productividad: Aquí, los procesos internos se abordan para mejorar la eficiencia y reducir costos como los cargos por demora al integrar 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 flujos de ingresos futuros.
• Zona de transformación: Aquí, la empresa amplía su transformación digital a 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 se apresuran a 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. Puede usarse esporádicamente dentro de los diferentes pasos de métodos diferentes; 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 Reino Unido, 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 garantizar 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 garantizar que sus empleados no solo adopten la nueva tecnología, sino que también comprendan sus implicaciones completas para sus tareas y procesos comerciales.

Sin una gestión del cambio adecuada, las empresas perderán el objetivo cuando se trate de la adopción de herramientas de IA por parte de los usuarios, mientras corren el riesgo de exacerbar las brechas tecnológicas, lo que es un camino resbaladizo hacia más ineficiencias, errores y fracaso para maximizar el 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 u organizar capacitación personalizada para los empleados según las tareas específicas para las que utilizarán la IA.

La idea es empoderar y alentar 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 y aplicación generalizadas y mejores de la tecnología.

Es 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 las iniciativas de IA de manera lenta y utilizar KPIs medibles, las empresas no solo estarán gastando en IA, sino que también estarán obteniendo beneficios de ella.