Doxa 2194

Cómo una empresa utilizó IA para ampliar su base de clientes

Lecciones de los esfuerzos de SAP para llegar a las pequeñas y medianas empresas.

Por Sunil Gupta y Frank V. Cespedes
Ventas
Harvard Business Review

#Doxa #empresa #IA #cliente #ventas #SAP #éxito #herramienta #mercado #pymes #rentable #enfoque #ciclo #ingresos
Resumen. La empresa de software SAP aprovechó con éxito las herramientas de inteligencia artificial para empezar a vender en el mercado de las pequeñas y medianas empresas (pymes), que antes no era rentable para su enfoque de venta presencial. Al trazar el recorrido del cliente e implementar más de 40 herramientas de inteligencia artificial, SAP transformó su forma de vender, reduciendo el ciclo de ventas de 12 a 18 meses a entre 3 y 6 meses y ofreciendo más de 22000 nuevas oportunidades de clientes en 2024. Este caso práctico demuestra el potencial de una escalación inteligente de la IA para añadir importantes ingresos a las grandes empresas.
Las empresas han invertido miles de millones en IA generativa (IA de generación) y grandes modelos lingüísticos (LLM). Algunos tienen ahora directores de IA. Pero a pesar del dinero y los rumores, impulsar claramente el impacto empresarial sigue siendo un desafío. El pasado mes de mayo, un Artículo de McKinsey argumentó que «la fase de luna de miel de la IA generativa ha terminado». En agosto, Gartner informó que la IA generativa avanzaba en el «ciclo de bombo publicitario de las tecnologías emergentes» de la empresa y estaba cayendo rápidamente hasta convertirse en el «abismo de la desilusión». En enero, un Encuesta de Deloitte de 2770 ejecutivos en 14 países demostraron que las organizaciones seguían esforzándose por demostrar el valor de los esfuerzos de la IA de la generación. Y en febrero, el Financial Times preguntó: «La IA generativa es impresionante, pero ¿puede ser rentable?»

Sin embargo, es posible que la IA de generación en generación añada valor a las empresas. Este artículo proporciona un marco para el despliegue de la IA en la función de ventas, mediante un estudio de caso de SAP, líder en software de planificación de recursos empresariales (ERP). Nuestro objetivo es demostrar que una ampliación cuidadosa de la IA tiene el potencial de añadir miles de millones de dólares en ingresos a las grandes empresas.

Entienda las tendencias del mercado
En los negocios, el valor se crea o destruye en el mercado con los clientes. En lugar de empezar con una «estrategia de IA», primero debe aclarar los problemas que quiere resolver o las oportunidades que quiere aprovechar para hacer crecer la empresa. Solo entonces debería pensar en cómo la IA o cualquier otra herramienta puede ayudar. Cuando una nueva tecnología se hace popular, las empresas suelen sentirse presionadas para adoptarla, y esto las lleva a invertir el proceso, a buscar casos de uso que justifiquen la inversión.

SAP empezó por analizar el impacto de las tendencias del mercado en su negocio. Cuando los clientes pasaron del software «local» a la nube, SAP tuvo que hacer evolucionar su negocio hacia un modelo de suscripción y lanzó su primera solución de SaaS basada en la nube en 2007. Para 2024, SAP generó más de la mitad de sus ingresos a partir de los servicios en la nube.

La transición a la nube también abrió la oportunidad de llegar a entre 30 y 40 millones de pequeñas y medianas empresas (pymes). Un modelo de suscripción reducía los costes iniciales para las pymes y ofrecía flexibilidad y escalabilidad. Y los servicios en la nube ofrecían más oportunidades para que SAP personalizara y distribuyera su software. Sin embargo, SAP seguía enfrentándose a barreras de marca y costes a la hora de salir al mercado para estos clientes. Muchos clientes de pymes veían a SAP como una solución para grandes empresas. Y el enfoque de ventas consultivas presenciales de SAP para los clientes empresariales era demasiado caro y el ciclo de venta de 12 a 18 meses era demasiado largo para los pedidos pequeños en el fragmentado mercado de las pymes. SAP necesitaba un enfoque eficiente para vender a las empresas más pequeñas.

Mapear los procesos empresariales
Una vez que la empresa reconozca sus necesidades empresariales cambiantes, debe trazar el proceso de gestión empresarial en este nuevo entorno. Empiece por el recorrido del cliente, porque eso afectará al coste de servicio, a las operaciones y a otros aspectos de la empresa. Este mapa también es esencial para priorizar las inversiones escalables, incluso en las que la IA u otras tecnologías pueden desempeñar un papel.

SAP trazó el recorrido del cliente en cinco pasos: cómo los clientes de las pymes descubrir Las soluciones de SAP, seleccionar una solución, adoptar está en su organización, derivar su valor, y extender su relación con SAP. La empresa sabía que su modelo de venta presencial sería inviable desde el punto de vista económico para los clientes más pequeños que realizaban compras más baratas, por lo que buscó formas de utilizar las herramientas de IA para ayudar a los clientes en cada fase. SAP utiliza ahora más de 40 herramientas de IA a las que llama modalidades digitales para ayudar a las pymes a lo largo del recorrido de sus clientes.
  • Descubra: El objetivo es animar a las pymes a explorar las soluciones de SAP para sus necesidades empresariales. Plataforma de lanzamiento digital, una herramienta de inteligencia artificial, se conecta a una base de datos para crear actividades de comunicación con el cliente personalizadas, específicas del sector e inmersivas en cuestión de minutos. Auxiliar de prospección sube listas de varias fuentes y analiza la calidad de los clientes potenciales. Una herramienta de inteligencia artificial de análisis de sentimientos identifica las preferencias de estos clientes potenciales, por ejemplo, la forma en que prefieren interactuar. Luego, una herramienta de automatización de campañas toma esta información y crea mensajes personalizados para los clientes potenciales con el tono, el formato y el estilo que prefieren: un mensaje de LinkedIn, correo electrónico o mensaje de vídeo con el avatar humano de un verdadero ejecutivo que habla varios idiomas.
  • Seleccione: Para los clientes potenciales con interés, la siguiente etapa es crear un argumento de negocios. Utilizando las entradas de los clientes potenciales y la base de datos de SAP, las herramientas de IA crean un Value One-Pager para que cada cliente potencial destaque los principales beneficios de una posible solución. Otra herramienta de inteligencia artificial crea demostraciones y visitas guiadas personalizadas para que los clientes potenciales prueben la solución y visualicen su valor. Luego, otra herramienta de IA apoya el proceso de «cotización para efectivo» mediante la automatización de tareas como la estructuración de las ofertas, la contratación, el cumplimiento, la reserva y el cobro. Sorprendentemente, un contrato firmado suele ser la primera vez que muchas pymes se reúnen en persona con los gestores de cuentas de SAP.
  • Adoptar: El software ERP requiere la integración con los procesos empresariales de los clientes y SAP utiliza socios de canal para la instalación. Pero la instalación es solo el principio de la relación con el cliente: en un modelo de suscripción, los clientes que no obtienen valor del producto no renuevan, lo que genera pérdida de clientes. Para ayudar a los clientes a encontrar valor, SAP utiliza una herramienta de inteligencia artificial que crea vídeos de entrenamiento con avatares para destacar las funciones y los beneficios de la solución. Otra permite a los usuarios subir documentación y utilizar las funciones de LLM para hacer preguntas y respuestas interactivas, y otra herramienta utiliza datos internos para ayudar a los empleados a generar contenido para sus correos electrónicos, reuniones y presentaciones.
  • Derivar: Para ayudar a los clientes a impulsar una mejora continua, una plataforma de éxito de clientes basada en la IA consolida los datos de los clientes de varias fuentes para crear páginas de destino personalizadas con toda la información relevante accesible en un solo lugar. Luego, otra herramienta ofrece sugerencias personalizadas para mejorar el rendimiento.
  • Extender: Para fortalecer y hacer crecer la relación con los clientes, el Plataforma de lanzamiento digital identifica los nuevos productos de SAP que pueden ser relevantes y el Value One-Pager luego presenta un argumento empresarial a favor de sus beneficios, mientras que una herramienta de inteligencia artificial ayuda a los asesores de soluciones de SAP a responder rápidamente a las preguntas.
Con las herramientas de inteligencia artificial, los centros digitales realizan el 90% del proceso de compra de forma virtual. Esto supone un gran impulso en la productividad de ventas y, dado que permite a SAP vender a un grupo completamente nuevo de clientes de pequeñas empresas, aumenta el mercado total direccionable (TAM).

Incubación a escala piloto
Sin las herramientas de IA, SAP veía a las pymes como un mercado fragmentado al que no era rentable llegar; con las herramientas de IA, pasó a ser accesible y rentable. Pero qué herramientas de IA elegir entre los cientos de opciones disponibles en el mercado no es una tarea baladí.

El proceso de creación de más de 40 herramientas de IA requirió un proceso sistemático de incubación, pilotaje y escalado. Durante dos años, SAP desarrolló cientos de ideas a través de un desafío de innovación interno abierto a 25 000 personas.

La siguiente fase consistió en poner a prueba ideas prometedoras, identificar problemas u oportunidades de mejora y hacer pruebas para entender y cuantificar el valor de estas herramientas. SAP creó más de 1250 solicitudes GPT que estaban documentadas en un manual de estrategias, clasificadas según más de 50 categorías de casos de uso, incluidas la gestión de objeciones, las propuestas de promoción y la información sobre los productos. En sus proyectos piloto, SAP descubrió que las herramientas de IA, de media, reducían su tiempo para completar muchas actividades en más de un 60%.

Una vez que la prueba de concepto esté clara, tendrá que escalar para lograr un impacto empresarial significativo. SAP utilizó un enfoque de plataforma porque proporcionaba un lugar único para introducir y actualizar las herramientas e integrar a los proveedores de terceros. También permitió a SAP integrar las herramientas de IA con la infraestructura existente de la empresa. Había obstáculos en el camino: la plataforma no se integraba bien al principio con los sistemas de CRM y el modelo de precios. Así que, el equipo digital trabajó con el grupo de desarrollo para integrar varios procesos. Esto requería el compromiso, el apoyo de los principales líderes y un proceso de gestión del cambio.

Compre, construya o asóciese para obtener velocidad
El campo de la IA avanza a un ritmo exponencial, por lo que incluso las empresas con conocimientos técnicos profundos suelen buscar asociarse con aplicaciones de terceros para avanzar más rápido.

El equipo digital de SAP reconoció esta necesidad, pero la herencia de la empresa y el orgullo por la calidad de la ingeniería llevaron a un importante debate interno sobre la asociación o la creación de estas herramientas por sí misma. Una vez más, esto requería un cambio cultural en la empresa. Finalmente, la plataforma digital de SAP utilizó una combinación de sus herramientas de IA internas y externas. La integración de herramientas de terceros en los sistemas internos supuso otro desafío que la empresa tuvo que superar.

Medir y cuantificar el impacto
Una de las tareas más difíciles es aislar, medir y cuantificar el impacto empresarial de las inversiones en IA, especialmente en una organización grande. El beneficio puede venir en forma de eficiencia y ahorro de costes o de la capacidad de aprovechar nuevas oportunidades. La precisión es menos importante que una aproximación razonable respaldada por las pruebas.

SAP creó una base controlando el tiempo que sus equipos dedicaban a realizar una tarea, como llegar a 1000 clientes potenciales. Luego, hizo un seguimiento del tiempo necesario para llegar al mismo número de clientes potenciales mediante el uso de herramientas de inteligencia artificial. Si bien no hubo una diferencia significativa en la tasa de conversión de estos dos enfoques, los equipos de ventas ahorraron casi un 40% de tiempo al utilizar las modalidades digitales de prospección.

Digital Hubs redujo el ciclo de ventas de 12 a 18 meses a entre 3 y 6 meses de media y respaldó más de 22 000 nuevas oportunidades de clientes en 2024, duplicando la cartera de SAP y convirtiéndose en la principal fuente de demanda de su producto principal de nube.

Adáptese a su contexto
Muchos aspectos del enfoque de SAP se aplican en la mayoría de los contextos empresariales: empezar por las oportunidades de mercado, trazar el recorrido del cliente, crear o asociarse para obtener las herramientas adecuadas, poner a prueba y escalar esas herramientas y medir su impacto; todos son esenciales para convertir una tecnología prometedora en una realidad empresarial. Pero otros aspectos deben adaptarse a su contexto.

Estas son las tres áreas que debe tener en cuenta al elaborar sus iniciativas de IA:

Selección de clientes
Esto está en el centro de la estrategia y determina los viajes de compra que necesita mapear, influir y gestionar con herramientas tecnológicas. Los clientes difieren no solo en sus preferencias de productos y servicios (la base de la segmentación del mercado), sino también en la forma en que responden a las interacciones impulsadas por la tecnología. La adopción de la nueva tecnología varía drásticamente según los clientes. Un buen ejemplo es la industria de los periódicos, que sigue generando un gran porcentaje de sus ingresos con la impresión.

Producto
En un mercado de empresa a empresa, el cliente suele necesitar información detallada sobre cómo el producto se ajusta a los procesos existentes. Esto afectó a la forma en que SAP seleccionó e implementó las herramientas de inteligencia artificial a lo largo del proceso de compra de las pymes. Pero las tareas y la información que se aprovecharán a través de la IA variarán según el sector, la categoría de producto y el proceso de compra.

Por ejemplo, después de que Adobe pasara a un modelo de suscripción basado en la nube, también planificó el recorrido del cliente en cinco pasos: descubrir, probar, comprar, usar y renovar. Sin embargo, a diferencia de SAP, Adobe no necesitaba personalizar sus productos para los consumidores individuales. En cambio, el modelo de suscripción permitía a Adobe utilizar un modelo de precios freemium para ofrecer una versión de prueba gratuita a millones de consumidores, algo que SAP no podía hacer debido a la complejidad de su software y a la necesidad de integrarse con los procesos de los clientes. La prueba gratuita le dio a Adobe información valiosa sobre dónde los consumidores necesitan ayuda, lo que llevó a desarrollar decenas de vídeos y tutoriales. Los equipos de productos ahora pueden mejorar su software de forma continua en función del uso real de los consumidores en lugar de crear funciones según su propio juicio. En cada etapa, se podrían utilizar herramientas de IA para que el proceso fuera eficiente y eficaz.

Sin entender bien su categoría de productos y la forma en que los clientes toman decisiones, no sabrá dónde las capacidades de la IA pueden marcar la diferencia para su empresa en las interacciones con los clientes ni dónde esas capacidades pueden sustituir eficazmente a la publicidad, los canales de venta actuales u otra actividad. Esa comprensión es una cuestión de gestión, no de tecnología, pero sin ella, la IA puede convertirse fácilmente en una herramienta que busca una solución o simplemente en otro coste de hacer negocios.

Gestión del cambio
Un cambio importante en las actividades de desarrollo empresarial suele enfrentarse a una resistencia interna. El cambio es un proceso, no un solo evento o discurso del CEO, y ese proceso depende de la historia y la cultura de su organización.

Por ejemplo, SAP utilizó un modelo federado para desarrollar la aceptación de unidades establecidas desde hace mucho tiempo con distintos grupos de experiencia. Centralizar las capacidades de la IA probablemente habría sido una forma más rápida de implementar la tecnología, pero no aliviaría (y podría aumentar) la resistencia de las muchas partes interesadas acostumbradas a gestionar sus áreas de negocio con mucha autonomía. Los centros digitales informan a los líderes empresariales regionales con una línea punteada a la organización digital mundial.

Pero otras empresas, con diferentes posiciones de mercado, descubrirán que la ventana de oportunidad creada por la IA puede cerrarse rápidamente y necesitarán un enfoque diferente para la gestión del cambio. En este sentido, la tecnología de la IA es nueva, pero no su desafío ni sus opciones. En su libro de memorias¿Quién dice que los elefantes no pueden bailar?, Louis Gerstner, reflexionando sobre su experiencia en IBM en la década de 1990, lo expresó bien: «Me di cuenta de que la cultura no es solo un aspecto del juego, es el juego. Al final, una organización no es más que la capacidad colectiva de sus personas para crear valor».

Lea más sobre ventas o temas relacionados: IA generativa y segmentación de mercado.

Sunil Gupta es profesor de Administración de Empresas Edward W. Carter en la Escuela de Negocios de Harvard y autor de "Impulsando la estrategia digital" (Harvard Business Review Press, 2018).

Frank V. Cespedes es profesor titular en la Escuela de Negocios de Harvard y autor de "Gestión de ventas eficaz: Cómo vender en un mundo que nunca deja de cambiar" (Harvard Business Review Press, 2021).

 

Doxa 2193

Lo que los líderes necesitan saber sobre la auditoria de la IA

Por Luca Belli
IA y Aprendizaje Automático
Harvard Business Review

#Doxa #líder #auditoria #IA #aprendizaje #automático #proceso #decisión #técnico #lineal #gobernanza #datos #caótica #confianza #pasado #medida #exitosa #cultura #incentivo #burocracia
Resumen. Si bien las auditorías se están convirtiendo en una característica fundamental del trabajo con IA, no siguen un proceso predeterminado que siga una línea recta; más bien, son una red de diferentes decisiones, tanto del ámbito empresarial como del técnico. En concreto, las auditorías a menudo se enfrentan a cuatro desafíos fundamentales: 1) no siguen un proceso lineal, 2) la gobernanza de datos es caótica, 3) requieren confianza interna y 4) se centran en el pasado. Los líderes pueden tomar medidas para que las auditorías sean exitosas. Antes de una auditoría, pueden inculcar la cultura y los incentivos adecuados, y ayudar a diseñarla. Durante la auditoría, pueden moldear el proceso y eliminar la burocracia.
En los últimos años, la inteligencia artificial ha pasado de ser prerrogativa de los equipos técnicos a una herramienta de uso general. Si bien antes la IA funcionaba entre bastidores, por ejemplo, impulsando productos de consumo o configurando las redes sociales, ahora el público general interactúa directamente con asistentes virtuales y chatbots generativos basados ​​en IA. Este aumento en su uso también ha generado una mayor concienciación sobre los riesgos que pueden conllevar los sistemas de IA : desde el trato desigual a distintos grupos (particularmente importante en ámbitos legalmente protegidos, como los préstamos y la vivienda), hasta la fabricación de información falsa, sensible o perjudicial, especialmente en temas de gran importancia, como consultas médicas o legales.

En respuesta, los legisladores han intentado establecer límites en torno al posible impacto de estas herramientas en la sociedad. Por ejemplo, legisladores y reguladores de todo el mundo han exigido auditorías externas de sistemas algorítmicos a través de la Ley de Servicios Digitales, la Ley de Mercados Digitales y la Ley de Inteligencia Artificial de la UE ; la Ley de Inteligencia Artificial y Datos de Canadá ; y la ley de sesgo de la IA de la ciudad de Nueva York. Las empresas también realizan auditorías algorítmicas de sus sistemas, incluso cuando no están legalmente obligadas, porque quieren gestionar el riesgo, anticiparse a posibles crisis de relaciones públicas y prepararse para nuevas regulaciones que podrían requerir auditorías independientes.

Todo esto ha impulsado el surgimiento de un nuevo puesto: el de auditor algorítmico. He visto este rol desde diversas perspectivas. Primero, cofundé el equipo de Ética del Aprendizaje Automático en Twitter, donde realicé numerosas auditorías. Posteriormente, trabajé en el Instituto Nacional de Normas y Tecnología en el equipo de IA Responsable y Confiable. También colaboré con la Comisión Europea en el Acto Delegado del Artículo 40 de la Ley de Servicios Digitales, que exige el intercambio de datos con investigadores para que puedan investigar las plataformas en busca de riesgos sistémicos.

Si bien las auditorías se están convirtiendo en una característica fundamental del trabajo con IA, no siguen un proceso predeterminado que siga una línea recta; más bien, son una red de decisiones, tanto del ámbito empresarial como del técnico. A continuación, se presenta lo que los líderes empresariales deben saber sobre el funcionamiento de estas auditorías y cómo pueden ayudar a guiar el proceso.

Cuatro desafíos de las auditorías algorítmicas
¿Qué es una auditoría algorítmica? En pocas palabras, es una forma de responder a una pregunta sobre un sistema algorítmico mediante el análisis de datos sobre cómo interactúan los usuarios y los sistemas. Estas preguntas, generalmente destinadas a comprender si un sistema funciona como se espera o perjudica a los usuarios, pueden variar desde las más concretas ("¿El algoritmo toma decisiones sesgadas basándose en un atributo protegido?") hasta las más abstractas ("¿Constituye este sistema un riesgo sistémico para la democracia?"). Parte de la dificultad del proceso reside en concretar estas preguntas y hacerlas operativas mediante la búsqueda de los datos y el sistema adecuados para responderlas.

En general, una vez acordada la pregunta de la auditoría, los auditores recopilan los datos relevantes y los analizan para responderla. Para ello, suelen interactuar con diferentes equipos, tanto técnicos como no técnicos, para comprender mejor el sistema que están auditando. En este proceso, la relación con el equipo auditado es fundamental para comprender tanto el sistema en sí como la forma en que se recopilan y almacenan los datos. Dependiendo del alcance de la auditoría, el proceso puede durar desde unas semanas hasta varios meses. En el caso de sistemas críticos, este proceso debe repetirse periódicamente para identificar cómo evolucionan los sistemas con el tiempo e identificar cambios potencialmente peligrosos.

Este proceso tiene cuatro desafíos comunes:

Las auditorías no son una línea recta
Los auditores suelen desviarse con frecuencia entre la pregunta de investigación y la respuesta. A medida que aprenden sobre el sistema que auditan y los datos que lo respaldan, a menudo tienen que ajustar el rumbo, lo que puede resultar en entregas más largas o pequeños cambios en el enfoque.

Por ejemplo, a veces los auditores no cuentan con los datos adecuados para abordar la pregunta en cuestión directamente y deben usar métricas indirectas: datos medibles y correlacionados con el objetivo deseado. Consideremos, por ejemplo, el caso de una auditoría para comprender si un sistema con sede en EE. UU. contiene sesgos raciales en una empresa que no recopila datos sobre la raza de los usuarios. Si se recopilan códigos postales, estos podrían usarse como un indicador (imperfecto) de raza. Por supuesto, cualquier uso de métricas indirectas u otra información indirecta crea una discrepancia entre la pregunta original y la respuesta indirecta.

En otras ocasiones, la pregunta original podría refinarse o modificarse ligeramente para adaptarse a nuevas inquietudes o necesidades del negocio. Supongamos que una empresa desea auditar una plataforma para comprender cómo interactúan los jóvenes con ella y decide centrar la investigación en una semana específica. Si esa semana coincide con las vacaciones escolares, los resultados no serán representativos de las tendencias que la empresa intenta analizar. Con solo retrasar una semana el periodo de auditoría, la empresa puede obtener los resultados deseados.

La gobernanza de datos es confusa
La gobernanza interna de datos a menudo se asemeja menos a un rascacielos moderno (con una distribución racional y una planta clara) y más a un edificio antiguo donde cada nueva capa se construye sobre la anterior, a menudo ignorando el uso anterior. No es raro que los equipos técnicos dediquen la mayor parte de su tiempo a buscar los datos correctos y a asegurarse de que puedan interpretarlos.

Hay varias razones para esto. Consideremos una plataforma de redes sociales, donde se capturan y almacenan todas las interacciones de los usuarios, lo que deja a las organizaciones saturadas de datos y dificulta encontrar los datos correctos para responder a la pregunta de auditoría. En este caso, la documentación interna puede ayudar a navegar por el mar de información, pero no siempre es fiable. Mantener la documentación actualizada requiere mucho tiempo y esfuerzo, y las prioridades de la organización podrían centrarse en desarrollar e implementar nuevas funciones.

También existen otros problemas comunes. Quizás la persona responsable del conjunto de datos dejó la organización, o simplemente este se descontinuó y se sustituyó por uno más reciente, pero sin documentar. En la mayoría de los casos, la única solución es encontrar a alguien que pueda ayudar, un proceso poco eficiente y que requiere mucho tiempo.

La confianza interna es esencial
La dinámica de equipo juega un papel importante. El equipo responsable del sistema auditado podría sentirse amenazado por la evaluación de su trabajo, especialmente cuando los auditores son externos a su equipo; después de todo, ¿a quién le gusta que alguien más revise su trabajo buscando problemas? Esto podría generar un entorno de baja confianza donde es difícil fomentar la colaboración y donde los incentivos están desalineados.

Los auditores necesitan mentoría y ayuda del equipo auditado para ser eficaces, ya que carecen del conocimiento especializado del sistema (y de los datos relevantes) de lo que auditan. El equipo auditado no tiene ningún incentivo para ayudar si sabe que será sancionado por cada problema detectado. Esta relación de confrontación prolongará la auditoría con diversas escaladas por ambas partes. La cultura adecuada es aquella en la que tanto los auditores como el auditado trabajan juntos para fortalecer el sistema y, en última instancia, obtener un producto más resiliente y de mejor calidad.

El foco está en el pasado
A menos que el sistema se monitorice en tiempo real, las auditorías se centran en el pasado. Esto genera algunos desafíos técnicos: el éxito del proceso depende de la capacidad de los auditores para recrear el pasado. Para empezar, es posible que los datos necesarios ya no estén en el sistema. Consideremos el caso de un sitio web de comercio electrónico, donde los usuarios tienen perfiles y pueden indicar sus preferencias de compra. Si un usuario elimina algunos de sus datos, o su perfil por completo, ¿debería incluirse en la auditoría? ¿Qué ocurre si un usuario hace un uso indebido de la plataforma (por ejemplo, vendiendo contenido ilegal) y resulta en una suspensión? ¿Debería incluirse?

Un problema relacionado es que los sistemas algorítmicos cambian con el tiempo. Los modelos pueden reentrenarse con datos más recientes, o un sistema antiguo puede eliminarse para reemplazar un algoritmo o arquitectura más nuevos. Puede ser muy difícil, si no imposible, replicar las condiciones exactas en las que se encontraba cada componente durante el período de auditoría deseado. Esto podría dar lugar a una situación en la que el sistema se audite con datos más antiguos, pero con algoritmos más recientes. Cabe esperar una ligera disparidad en este aspecto, pero se debe exigir a los auditores que documenten los problemas para encontrar los datos correctos y que estimen en qué medida el resultado de la auditoría se aplica a los sistemas en vivo.

Lo que los líderes pueden hacer
Los líderes empresariales pueden ayudar preparando a su organización y aportando claridad a un proceso que es fundamentalmente no lineal y puede generar sorpresas en el camino. A continuación, se presentan algunas acciones útiles que pueden tomarse antes y durante una auditoría.

Antes de una auditoría
Antes de que una organización inicie el proceso de auditoría externa, debe tomar ciertas medidas de preparación. La mayoría de las organizaciones no deberían esperar a enfrentarse a una auditoría externa para tomar estas medidas; en cambio, deberían invertir en el desarrollo de equipos dedicados para mejorar sus capacidades internas. De esta manera, si se produce una auditoría, esa preparación se traducirá en la menor interrupción posible para la organización.

Cultura e incentivos.
Las auditorías pueden ser poco bien recibidas por los equipos responsables del sistema analizado. Pueden sentirse presionados, frustrados y, en última instancia, insatisfechos con el escrutinio minucioso de su trabajo. Las compensaciones que antes se consideraban aceptables y necesarias podrían tener que volver a discutirse y defenderse. Por eso es tan importante crear una cultura interna adecuada de colaboración y confianza.

La cultura siempre nace desde arriba. Los líderes deben demostrar que las auditorías son parte del trabajo diario, no medidas punitivas ni trabajo extra. Por ejemplo, cuando los equipos auditados ofrecen su colaboración, experiencia y tiempo —todo necesario para una auditoría exitosa—, esto debería contribuir a sus objetivos personales y profesionales. En otras palabras, no deberían tener la sensación de que realizan este trabajo "aparte", teniendo que encontrar tiempo extra para su carga de trabajo habitual, sino que este tipo de trabajo contribuye plenamente a su desarrollo profesional. De igual manera, se debe otorgar cierta flexibilidad a nivel de equipo: dependiendo del apoyo necesario, el equipo auditado podría no alcanzar los objetivos planificados. En general, una auditoría no debería percibirse como un castigo, sino como una parte normal de la vida empresarial.

Para facilitar la preparación, los líderes empresariales podrían estructurar la organización de modo que cada equipo cuente con una persona dedicada, disponible para responder directamente cualquier pregunta sobre datos y algoritmos o para orientar. Esto ayudaría a aislar y minimizar las interrupciones.

Diseño de la auditoría.
Las auditorías exigidas por ley deben ser realizadas por auditores externos e independientes. Cuando las empresas intentan aprender de forma preventiva sobre sus sistemas, deben elegir entre equipos de auditores externos e internos. Si bien desarrollar la capacidad de auditoría interna y determinar los procesos adecuados requiere tiempo y recursos, contar con un equipo interno eficiente puede ser una ventaja a largo plazo. Por otro lado, los auditores externos no generan fricción entre las diferentes áreas de la empresa, lo que podría ser una de las razones por las que a menudo se recurre a proveedores externos más costosos.

Centrándonos ahora únicamente en la auditoría interna, es importante comprender que puede adoptar diversas formas, que el liderazgo debe ayudar a definir. Una auditoría puede ser un proceso puntual o realizarse periódicamente. Si bien esta última ofrece más información (capturando la evolución del sistema con el tiempo), tiene un mayor coste inicial, ya que requiere un mayor grado de automatización, lo que se traduce en más trabajo para los equipos de plataformas de IA. Podría ser útil para sistemas críticos que requieren una inspección más minuciosa y frecuente.

La estructura organizativa de los equipos de auditoría interna también debe estar claramente definida, y puede ser distribuida o centralizada. Un equipo centralizado se encargaría de todas las necesidades de auditoría de la empresa, mientras que en un escenario distribuido, cada unidad de negocio tendría sus propios equipos y procesos. La decisión debe reflejar lo más beneficioso para el contexto empresarial, ya que no existe una solución única; cada opción tiene sus ventajas y desventajas.

Un equipo de auditoría centralizado adquirirá mayor experiencia y, al trabajar con diferentes áreas de la empresa, tendrá una comprensión más completa y holística del proceso. Por otro lado, estos equipos serían externos al auditado, lo que implicaría más tiempo para ganarse la confianza del equipo auditado y recopilar la información necesaria (como documentación, datos y algoritmos) para realizar su trabajo. Un equipo que audita sus propios sistemas, por supuesto, comprenderá mejor todas sus partes desde el principio. Sin embargo, al realizar auditorías con menor frecuencia, podría perderse algunas buenas prácticas importantes. Y si el alcance de sus auditorías termina involucrando a otras unidades de negocio (por ejemplo, los sistemas de sus clientes internos), podrían tener las mismas limitaciones que un equipo de auditoría centralizado, sin sus ventajas. Los enfoques híbridos también son posibles, y en la mayoría de los casos preferibles, donde un equipo centralizado realiza la mayor parte del trabajo de auditoría y actúa como custodio interno de las buenas prácticas. Cuando se necesitan auditorías distribuidas, esto puede ayudar a capacitar y apoyar a sus contrapartes distribuidas.

Durante una auditoría
Incluso con la preparación adecuada, la auditoría en sí podría ser más compleja de lo que la mayoría esperaría. Los líderes empresariales deben ser conscientes y aceptar el desorden natural del proceso, y contribuir a aclararlo. Deben ser muy cuidadosos al estar lo suficientemente cerca del proceso para poder ser útiles y comprender su progreso sin microgestionar ni sobrecargar a los equipos técnicos.

Dando forma al proceso.
Dado que la auditoría es un proceso no lineal, muchos aspectos pueden cambiar durante su ejecución. Los líderes deben ser conscientes de ello y asegurarse de mantenerse informados periódicamente sobre las últimas decisiones de alto nivel para poder ofrecer orientación cuando sea necesario. Por ejemplo, puede haber dos métricas proxy diferentes disponibles y prácticamente equivalentes desde un punto de vista técnico. Sin embargo, una podría reflejar mejor las necesidades del negocio y debería ser la preferida. Los equipos técnicos podrían no tener el mismo sentido de negocio y, por lo tanto, se les puede orientar hacia la opción más útil. De esta manera, la auditoría no se desvía y sigue siendo una herramienta útil para responder a las preguntas del negocio.

También es fundamental que exijan una documentación exhaustiva de todas las decisiones técnicas, incluyendo cualquier compensación o métrica indirecta considerada (p. ej., el ejemplo del código postal mencionado anteriormente). Esto ayudará a interpretar los resultados en el contexto y las limitaciones adecuados.

Eliminación de burocracia.
En una situación ideal, cada equipo o unidad de negocio ya cuenta con una persona dedicada a optimizar el proceso y cuenta con planes de contingencia para sus equipos. Lo más probable es que esto no ocurra, especialmente en unidades recientemente reorganizadas o con mayor rotación. Los líderes pueden ofrecer su apoyo para eliminar obstáculos y trámites burocráticos cuando sea necesario. Esto podría consistir en asignar personal de otro equipo, reordenar el trabajo de los equipos afectados o garantizar que el trabajo realizado en apoyo de la auditoría se tenga en cuenta en el desempeño de los objetivos del equipo al final del año.
• • •
Este es un momento muy emocionante para el sector de la auditoría tecnológica. Si bien es un campo relativamente nuevo, su impacto será mayor en los próximos años gracias a la combinación de requisitos legales y una mayor transparencia de las plataformas. El proceso en sí se asemeja menos a una línea recta y más a un camino aleatorio entre la pregunta de auditoría y sus resultados. Los líderes empresariales pueden impulsar el proceso asegurándose de que los equipos técnicos avancen en la dirección correcta, definiendo algunos parámetros clave y eliminando cualquier tipo de fricción interna.

Lea más sobre IA y aprendizaje automático o temas relacionados: Negocios y sociedad, Gobierno corporativo, Políticas y regulaciones gubernamentales y Tecnología y análisis.

Luca Belli es el fundador de Sator Labs y trabaja en la intersección de la auditoría algorítmica y la gobernanza de la IA. Fue becario de Política Tecnológica de la UC Berkeley e investigador visitante de IA en el Instituto Nacional de Estándares y Tecnología (NIST). También fue seleccionado como experto por la Comisión Europea para colaborar en la elaboración del acto delegado del Artículo 40 de la Ley de Servicios Digitales. Anteriormente, Luca fue cofundador y jefe de investigación del equipo de Ética, Transparencia y Responsabilidad del Aprendizaje Automático (META) de Twitter.


Doxa 2192

Cómo una institución financiera tradicional apostó todo por la inteligencia artificial de última generación

Moody's calculó que el riesgo de quedarse quieto superaba al riesgo de moverse rápidamente.

Por Toby E. Stuart
Transformación Digital
Harvard Business Review

#Doxa #financiera #IA #generación #riesgo #institución #tradicional #digital #tecnología #experimentar #enérgicas #líder #empresa #idea #prioridad #empresarial #objetivo #transformación #proceso #ejemplo #inacción #asociaciones #continuo #cultura #adopción
Resumen. ¿Por qué Moody's, una institución financiera tradicional basada en la evaluación de riesgos, tomó medidas enérgicas para adoptar la IA generativa, una tecnología no comprobada? Porque los líderes calcularon que el riesgo de quedarse quietos superaba el riesgo de actuar rápido. En lugar de experimentar con cautela, Moody's lanzó una transformación en toda la empresa basada en tres principios: 1) todos tenían que participar, 2) las nuevas ideas deberían basarse, no descartarse, y 3) la prioridad era un impacto empresarial real. Esto requirió un cambio fundamental en la forma en que se veía la transformación, no como un paso hacia un objetivo fijo, sino como un proceso continuo de adaptación. El ejemplo de Moody's ofrece lecciones para otras empresas: la inacción conlleva sus propios riesgos, la innovación descentralizada funciona, el cambio debe ser continuo, las asociaciones estratégicas importan y la cultura impulsa la adopción.
En las finanzas, las empresas más importantes del sector no tienen el hábito de apresurarse a adoptar tecnologías de vanguardia. Como en muchos sectores conservadores y regulados, los líderes casi siempre optan por evitar errores costosos y embarazosos en lugar de aceptar los riesgos de ser uno de los primeros en adoptarlo. Sin embargo, a principios de 2023, Rob Fauber, el recientemente nombrado CEO de Moody's, una empresa centenaria cuyo negocio consiste en la evaluación metódica del riesgo, hizo precisamente eso.

La medida se basó en un cálculo contrario: en los primeros días de la IA generativa, quedarse quieto en realidad representaba un riesgo mucho mayor para el futuro de la empresa que adoptar agresivamente una tecnología altamente imperfecta. El enfoque convencional (y el camino que adoptaron la mayoría de las empresas) consistía en probar y analizar las deficiencias de esta nueva tecnología, realizar pequeños experimentos en casos de uso limitados y esperar a que desapareciera la niebla de la incertidumbre. Entre las alucinaciones modélicas, los posibles problemas regulatorios y las preguntas sobre la transparencia, la mayor parte de la industria se centró en los riesgos a la baja. Fauber, por otro lado, vio la inacción como la mayor amenaza para el negocio de Moody's y la IA como una oportunidad fundamental que podría haber subido considerablemente para la empresa.

Así que, se comprometió a adoptar la tecnología internamente. Sin embargo, había un problema clave: a diferencia de la mayoría de las transformaciones, el objetivo final de esta iniciativa no estaba claro. La tecnología evolucionaba increíblemente rápido y no había casos de uso comprobados de cómo pudiera aplicarse para crear valor. Fauber comparó la iniciativa con correr hacia la niebla; tal vez sea posible ver unos pasos más adelante, pero no más. Eso planteó una serie de preguntas difíciles: cómo elaborar la hoja de ruta de IA de la empresa y cómo hacer que el consejo de administración, el equipo directivo sénior y toda la organización participaran en el viaje, sabiendo que la niebla no iba a desaparecer a corto plazo.

Como profesor que estudia cómo organizarse para la innovación, el emprendimiento y la estrategia tecnológica, y que entrevistó a varios de los principales líderes de Moody's, este enfoque ofrece lecciones sobre cómo las empresas pueden cambiar su enfoque de trabajo con tecnologías que evolucionan rápidamente.

Primeros días
En los primeros meses de 2023, el rumor en torno a la IA generativa —sobre todo tras el lanzamiento del GPT-3.5 por parte de OpenAI— llamó la atención del equipo de dirección ejecutiva de Moody's. Fauber, en particular, comenzó a experimentar con el nuevo modelo y a explorar sus capacidades. Junto con el presidente de Moody's Analytics, Steve Tulenko, decidió que la oleada de blogs, tuits, podcasts y publicaciones sobre la IA de la generación no era una charla ociosa, sino que la tecnología tenía el poder de transformar los elementos principales de los negocios de Moody's. La división de análisis de la empresa generaba 750 millones de dólares al año con la producción y distribución de informes de investigación. Con la capacidad de la IA de generación para digerir, analizar y sintetizar enormes cantidades de datos y producir destilaciones escritas de alta calidad de estos datos, Fauber y Tulenko vieron un futuro en el que el flujo de ingresos de la empresa basado en informes podría estar en riesgo.

Los dos también analizaron a los pares de Moody's en el sector de los servicios financieros, la mayoría de los cuales seguían un patrón de espera vigilante. El enfoque más común era crear consejos de IA, que generalmente incluían a representantes de los ámbitos legal, tecnológico, de TI, de cumplimiento y de riesgo. La abundancia de cautela tenía sentido. Las instituciones financieras que han superado 100 años de mercados alcistas, depresiones, recesiones y una avalancha constante de malos actores, han tendido a sobrevivir porque han sido eficaces a la hora de gestionar y minimizar los riesgos.

Sin embargo, en este caso, la acción parecía una opción mucho menos arriesgada que la estasis. La pregunta, entonces, era ¿por dónde empezar?

Tres principios rectores
La magnitud del cambio requerido era abrumadora. Fauber esperaba un cambio cultural total. Para lanzar la iniciativa, estableció tres principios rectores:

Convierta a todos en innovadores. En primer lugar, los líderes dieron luz verde al acceso a la IA de la generación en todo el entero organización. La empresa lo permitió al implementar herramientas de IA de generación en todos los empleados desde el principio. Más que cualquier otro cambio técnico en la historia de la humanidad, la IA de generación permitiría la innovación de abajo hacia arriba. Mientras el equipo experimentaba, se dieron cuenta de que la tecnología tiene la capacidad de descentralizar la innovación a gran escala. El objetivo era permitir a los empleados que se vieran a sí mismos como capaces de influir en el futuro tanto de sus propias funciones laborales individuales como del funcionamiento general de la empresa. Para captar la idea, Fauber invitó al personal a que se considerara «14 000 innovadores».

Basarse en nuevas ideas, no las descarte. En segundo lugar, Fauber instó a los empleados a adoptar una mentalidad de «sí y...». Este enfoque se centraba tanto en el personal legal, de cumplimiento y de riesgos como en las bases de la organización. La empresa necesitaba la aceptación de todos los grupos para tener éxito. El equipo directivo adoptó la posición de que, en lo que respecta a la IA de la generación, una barrera en algún lugar tenía el potencial de convertirse en una barrera en todas partes.
Generar impacto. Por último, hizo hincapié en la importancia de priorizar las iniciativas que aportaban un valor medible a la empresa. El equilibrio entre la experimentación abierta y el valor real era importante. Fauber sabía que el «factor de distracción» podía ser alto, por lo que creó un mecanismo para priorizar y destinar más recursos a esas innovaciones de los que podían contribuir de manera significativa a los beneficios superiores o finales.
Estos principios se diseñaron para impulsar una reforma cultural y un enfoque federado de la innovación. «La clave era crear y dotar de recursos un entorno en el que la innovación pudiera producirse en cualquier parte de la organización, pero con las estructuras adecuadas que nos mantuvieran alineados con dos de nuestros valores fundamentales: la confianza y la precisión», afirma Tulenko.

Para hacer realidad la visión, Moody's creó el Grupo de Inteligencia Generativa (GiG). El concepto era que todos los miembros de la empresa tenían ahora «otro trabajo»: la innovación en inteligencia artificial. Se esperaba que todo el mundo explorara las posibilidades de la IA de la generación en primera línea de la organización. En este contexto, GiG actuó como un grupo pequeño y central de habilitación. Su función consistía en investigar rápidamente las nuevas tecnologías, ofrecer las herramientas más valiosas a la organización y proteger los mandatos de seguridad, confianza y precisión. En lugar de crear una división de IA independiente, esta estructura adoptó el principio de «14 000 innovadores».

Un cambio de esta magnitud requería ganarse a los escépticos de todos los niveles de la empresa.

Fauber decidió empezar desde arriba. Para demostrar las capacidades de la generación de IA, en la reunión del consejo corporativo del segundo trimestre de 2023, comenzó con un vídeo deepfake que hizo de él mismo haciendo una llamada ficticia de ganancias. La junta se convenció rápidamente de que la IA de generación tendría implicaciones radicales para el negocio de Moody's, y ganó su aceptación para doblar la apuesta.

Para contratar a los empleados, Fauber dirigió tres ayuntamientos donde fomentó el debate sincero sobre las implicaciones de la IA de generación en la empresa. Estas reuniones, que a menudo se convocaban con poco aviso, se centraban en el acceso masivo y el empoderamiento. Su objetivo era convertir la resistencia en curiosidad y, finalmente, en entusiasmo.

Para permitir el cambio cultural, los líderes también sabían que tenían que crear un nivel base de fluidez en la IA en toda la organización. Con ese fin, crearon un programa de entrenamiento de IA de generación a medida y pusieron un fuerte incentivo: Fauber se comprometió a financiar una bolsa de bonos que se activaría si el 95% o más de los empleados de Moody's la completaban. Se esperaba que todos, desde asistentes administrativos hasta ejecutivos, participaran. La formación fue significativamente más técnico que la anterior iniciativa educativa en toda la empresa s. Varios empleados de Moody's fueron los «actores» de estas sesiones, grabadas en casa con Zoom para crear una sensación de urgencia y «crudeza» de los temas. Para animar a los empleados a profundizar aún más, la empresa proporcionó a todos listas de reproducción con vídeos de YouTube y lectura adicional. La empresa hizo un seguimiento público del 95% que activó el pago de la bonificación en una cuenta regresiva para fin de año y celebró cuando se llegó al desencadenante mucho antes de la fecha límite de fin de año. El pago de la bonificación en sí figuraba por separado en los estados de compensación anuales como una bonificación «extra» que se destinaba a toda la empresa.

Entrenando para una maratón cuando solo puede ver dos pies por delante
La mayoría de las iniciativas de cambio organizacional implican la transición de una organización de un estado de origen a un estado de destino. La empresa empieza en el punto A y su objetivo es pasar al punto B. Por ejemplo, una empresa de software tradicional podría hacer la transición a un modelo basado en la nube, como el que Adobe Systems ha logrado con tanto éxito. O una empresa de productos podría aspirar a ser un proveedor de soluciones, como la migración de John Deere de la venta de tractores a soluciones agrícolas de precisión. Sin embargo, este enfoque no funcionaría para tratar de seguir el ritmo de la generación de IA. La tecnología se desarrollaba tan rápido, con tantas aplicaciones potenciales, que requeriría un proceso de cambio continuo a un estado de destino desconocido. La empresa tendría que estar en un estado de adaptación casi perpetuo.

La velocidad era un objetivo principal. Los competidores dedicaban meses a evaluaciones técnicas de modelos lingüísticos de gran tamaño. En lugar de seguir su ejemplo, Moody's adoptó un enfoque más pragmático. «Consideramos estos modelos como herramientas de apalancamiento »listas para usar «, no como cajas negras inescrutables que requerían meses de análisis», afirma Tulenko. «Desde luego, nuestra ventaja competitiva no iba a venir de crear un modelo base propio, sino de aplicarlo de forma rápida e inteligente a nuestros activos de datos únicos, a nuestra experiencia en el campo y a la confianza depositada en nuestra marca».

La estrategia técnica de Moody's consistía en integrar rápidamente las nuevas capacidades de IA en los escritorios de todos los empleados de Moody's, a menudo pocas horas después de que estuvieran disponibles en el mercado. Ya fuera la capacidad de interrogar archivos PDF, conversión de voz a texto o análisis de imágenes, a medida que aparecían nuevas funciones en los LLM disponibles en el mercado, el equipo de Moody's las adoptó casi en tiempo real dentro de la infraestructura segura de la empresa. La empresa también creó un pequeño equipo interno y le proporcionó una caja de pruebas para experimentar con la llegada constante de nuevas herramientas de terceros.

Alianzas también fueron clave para la hoja de ruta de Moody's. En julio de 2023, a medida que crecía el impulso interno, Moody's se puso en contacto con Microsoft para formar una asociación. La oferta, firmada en solo seis semanas, proporcionaba acceso a la infraestructura de nube de Azure, incluido el acceso seguro a algunos de los modelos de OpenAI. Más allá de eso, Moody's desarrolló internamente una capa de orquestación que se basaba en los modelos básicos de OpenAI, Anthropic, Meta y Google. El orquestador podría asignar las indicaciones de forma segura a diferentes modelos, en función de factores como los posibles costes de inferencia y los puntos fuertes del modelo. El sistema de código bajo o sin código que creó el equipo permitía a cualquier división de la empresa desarrollar rápidamente sus propias aplicaciones nuevas, pero todas las interacciones de la IA tenían que permanecer en un entorno seguro de Moody's, un requisito fundamental para mantener la confianza de sus clientes.

Estas medidas permitieron a Moody's mantener la seguridad y agilidad: mantener toda la actividad segura dentro de una infraestructura segura y, al mismo tiempo, ofrecer nuevas capacidades a los empleados al ritmo al que llegaban al mercado.

En las primeras semanas del programa «14 000 innovadores», los empleados registraron cientos de casos de uso y ejecutaron millones de instrucciones contra el propio copiloto de Moody's. El departamento de servicio de atención al cliente utilizó la función de «crear su propio asistente» de la empresa para crear una nueva aplicación, el asistente de servicio al cliente, lo que se tradujo en un ahorro de millones de dólares en los tres primeros meses de uso. Todos los aprendizajes de estos diversos casos de uso sentaron las bases para el esfuerzo comercial de IA de primera generación de Moody's.

Antes de la EOY de 2023, solo 5 meses después del inicio de la iniciativa de la generación de IA, se lanzó comercialmente Moody's Research Assistant. «Lo que hace que nuestro asistente de investigación sea único no es solo la tecnología de inteligencia artificial», explica Tulenko. «Es saber cómo trabajan los profesionales financieros y aplicar esa experiencia en el campo».

Aquí vienen los agentes
En todo caso, Fauber y el equipo directivo han presionado por una aceleración del cambio en los últimos meses, para mantenerse al día con el ritmo de progreso sin precedentes en el ecosistema de la IA de la generación. Para marzo de 2024, mucho antes de los rumores del sector sobre los flujos de trabajo de las agencias, Moody's ya había creado y desplegado sus propios agentes. Esta iniciativa, conocida internamente como Recon.AI, demostró la rapidez con la que la nueva Moody's podía pasar del documento técnico a los experimentos y a la instanciación de la innovación.

En diciembre de 2024, Moody's compartió escenario con Amazon, un socio de IA de nueva generación, cuando AWS lanzó su producto Bedrock Agents. El enfoque multiagente de Moody's está diseñado para generar informes exhaustivos de riesgo financiero para los clientes. Crear un informe así anteriormente habría requerido una semana por parte de un analista experimentado de Moody's. Un agente de IA supervisor con un equipo de subtrabajadores de IA podría realizar la misma tarea de análisis en solo una hora.

Lecciones para otras empresas
La experiencia de Moody's puede ofrecer a otras empresas lecciones concretas sobre cómo adoptar esta tecnología.

Esperar tiene un precio.
Un cálculo del riesgo de la IA de la verdadera generación tiene en cuenta en gran medida las desventajas de la inacción. Para Moody's, el peligro de la inacción podría haber abrió la puerta a nuevos tipos de competidores que ahora tienen herramientas que reducen las barreras para entrar en los mercados tradicionales de Moody's. También estaba el riesgo de pérdida de talento a tener en cuenta: Moody's no podía darse el lujo de dejar a sus empleados sin oportunidades de adaptarse y aprender. Ponderar en gran medida el riesgo de inacción ayudó a los líderes a tomar la decisión inicial de hacer todo lo posible. Los grandes pasos dados como resultado de esa decisión inicial marcaron la pauta para el resto del esfuerzo de transformación: la gente se sintió empoderada y el mercado se puso de pie y se dio cuenta. Esos nuevos competidores venían ahora a Moody's para asociarse, más que para competir.

Adopte la innovación descentralizada.
Si va acompañada de la habilitación y el empoderamiento en toda la organización, la IA de generación cambiará radicalmente el enfoque de la innovación, pasando de grupos centralizados y dedicados (como I+D, productos) con grandes presupuestos a grupos de abajo hacia arriba a gran escala. El enfoque de experimentación masiva acortó el tiempo de comercialización del producto debido a la cantidad pura de opciones entre las que elegir. El riesgo al que se enfrentaba Moody's con este enfoque era el de priorización, no de opcionalidad, un buen problema.

El cambio es una constante.
El ritmo de progreso y el grado de incertidumbre de la generación de IA exigen que los líderes desarrollen e implementen procesos de cambio continuos. Las organizaciones tendrán que mantenerse en movimiento continuo. Moody's se adaptó a este nuevo paradigma de la mano de centrarse en centralizar solo los elementos que permitían escalar. Además, al incluir el riesgo, el cumplimiento y la ley directamente en el programa de cambio, evitó algunos de los obstáculos más comunes que ralentizan a las organizaciones o atrapan los esfuerzos ambiciosos en las evaluaciones de riesgos prolongadas.

No vaya solo.
La IA generativa es ecosistémica y es probable que las asociaciones externas sean esenciales para obtener sus beneficios. La capacidad no solo de acceder anticipadamente a las hojas de ruta de las grandes empresas de tecnología, sino también de dar forma a las hojas de ruta de las grandes empresas tecnológicas influyó en la planificación anticipada que Moody's podría llevar a cabo dada la incertidumbre. Identificar rápidamente dónde necesita (o se beneficiaría) de la ayuda externa puede permitirle asignar mejor los escasos recursos a las competencias principales.

La educación y el empoderamiento crean la aceptación, y los incentivos financieros ponen las cosas en marcha.
Reducir la incertidumbre, ofrecer transparencia y ser abierto en cuanto al impacto, combinados con un deseo claro de educar y empoderar a todos los empleados, aunque algunos se verían claramente afectados (negativamente) por el cambio, funcionó como técnica para que los empleados se apoyaran. Una vez sentadas las bases de la adopción, Moody's descubrió que la actividad práctica y el acceso práctico funcionaban bien como técnica para impulsar el cambio.

De copiloto a compañeros de trabajo de agencia
A medida que Moody's adoptó la IA, naturalmente surgieron dudas sobre el futuro de su fuerza laboral. La IA presentará muchas oportunidades para aumentar la eficiencia, lo que aumentará la posibilidad de que Moody's pueda aumentar sus ingresos de forma significativa sin un aumento proporcional de la plantilla de la empresa. En este sentido, Fauber podría ver un futuro en el que la estructura de la organización evolucionara desde su forma piramidal actual a algo más estrecho, mejorando la eficiencia operativa en relación con el crecimiento escalable y posicionando a Moody's como una empresa más ágil en la era de la IA que se acerca rápidamente. Esta visión futurista complementa la idea actual de Fauber sobre el impacto en la fuerza laboral: «En Moody's, veo la IA de la generación como una historia de empoderamiento humano, no de reemplazo humano».

El viaje inicial de Moody a la IA de la generación ofrece una lección convincente de adaptación proactiva. Gracias al pronto reconocimiento del potencial transformador de la IA de la generación, Fauber, Tulenko y su equipo empezaron a reinventar una empresa centenaria en menos de un año. El viaje no ha estado exento de desafíos, pero gracias a un equipo directivo ágil y comprometido, a su enfoque en el cambio cultural, a una serie de asociaciones estratégicas clave y a un enorme compromiso con la innovación en toda la empresa impulsada de abajo hacia arriba, Moody's está forjando su pasado en un futuro radicalmente diferente, centrado en la IA de la generación.

Lea más sobre Transformación digital o temas relacionados: Cultura organizacional, Innovación, IA y aprendizaje automático, e IA generativa.

Toby E. Stuart es titular de la Cátedra Helzel en Emprendimiento, Estrategia e Innovación; director del Programa de Emprendimiento Berkeley Haas; decano asociado de Asuntos Externos; y director del Instituto de Innovación Empresarial de la Escuela de Negocios Haas de UC Berkeley.

Doxa 2191

Cómo desarrollar resiliencia profesional en tiempos de incertidumbre

Por Daisy Auger-Domínguez
Planificación de Carrera
Harvard Business Review

#Doxa #desarrollo #resiliencia #profesional #tiempo #incertidumbre #planificación #carrera #despido #automatización #cambio #seguridad #laboral #obsoleto #desafió #empleo #proactiva #adaptabilidad #opción
Resumen. En una era de incertidumbre profesional —marcada por despidos, automatización, regulaciones cambiantes y expectativas cambiantes—, las nociones tradicionales de seguridad laboral se están volviendo obsoletas. El desafío no es solo conservar un empleo, sino construir unoResiliencia profesional al cambio. Para afrontar la incertidumbre y desarrollar una verdadera resiliencia profesional, adopta una mentalidad proactiva: 1) Identifica tus puntos fuertes, 2) Desarrolla tu adaptabilidad y agilidad, 3) Fortalece tus relaciones y 4) Crea tu mejor opción.
Una alta ejecutiva con la que trabajé —llamémosla Marisol— había dedicado años a generar confianza, generar impacto y obtener resultados, solo para descubrir que su puesto había sido eliminado repentinamente durante una reestructuración de la empresa. No hubo discusión ni plan de transición. Solo unas pocas garantías amables, una indemnización por despido y un correo electrónico cuidadosamente redactado, y eso fue todo.

Pero en lugar de paralizarse por la incertidumbre, Marisol tomó las riendas. Contactó con mentores de confianza, aprovechó su red de contactos y trabajó con un coach ejecutivo, dándose un respiro por primera vez en años. Luego, con una idea más clara de lo que quería, redefinió su experiencia y se dedicó a un puesto más amplio en RR. HH. que reconocía todas las habilidades que había desarrollado durante años.

Su historia no es única. Los despidos, el estancamiento salarial, la automatización impulsada por la IA, las cambiantes leyes laborales y las expectativas cambiantes en el lugar de trabajo han convertido la seguridad laboral en un objetivo cambiante hoy en día. Incluso los profesionales más dedicados no son inmunes a la inestabilidad laboral, y los trabajadores asalariados también la padecen.

El verdadero desafío hoy no es solo conservar un empleo o sobrevivir otro trimestre, sino construir una carrera que no se derrumbe ante las disrupciones. Eso requiere resiliencia profesional: la capacidad de adaptarse, tomar la iniciativa y mantener los pies en la tierra, incluso cuando el terreno se tambalea, como le pasó a Marisol.

Cuatro maneras de desarrollar resiliencia profesional
La resiliencia profesional no se trata de aferrarse a un trabajo por miedo, sino de aprender a adaptarse a medida que las circunstancias cambian.

Al crecer en la República Dominicana con abuelos que sobrevivieron a una brutal dictadura, me educaron para estar preparado. Mi familia mantiene la despensa y el kit de emergencia abastecidos, no por paranoia, sino por la profunda convicción de que nada está garantizado.

En el trabajo, la incertidumbre también exige autoconciencia y preparación. Esto implica desarrollar una mentalidad de crecimiento, incluso cuando tus opciones parezcan limitadas, para estar siempre listo para retomar el rumbo. Las siguientes cuatro estrategias pueden ayudarte:

1. Identifica tus puntos no negociables.
La longevidad profesional no se trata solo de conservar un empleo; se trata de saber qué es lo más importante para ti al explorar los diversos roles que probablemente asumirás. Tener claros tus requisitos, valores y tolerancia al riesgo puede ayudarte a tomar decisiones difíciles ante los rápidos cambios de las circunstancias.

Pregúntese:

¿Gestiono bien la incertidumbre o me inquieta? Si la estabilidad es lo más importante para ti, concéntrate en desarrollar habilidades que te permitan adaptarte y ser solicitado, independientemente de los cambios en el sector.

¿Aceptaría una reducción salarial por un trabajo que me parezca más significativo? Si el propósito te motiva, considera puestos que se alineen con tus valores, intereses o el tipo de impacto que quieres generar, incluso si eso implica un sacrificio económico temporal.

¿Volvería a trabajar cinco días en la oficina? Si la flexibilidad es una prioridad, empieza a cultivar habilidades y redes que te abran las puertas a oportunidades remotas o híbridas.

¿Aceptaría un trabajo que contradiga mis valores? Si la ética es fundamental para tus decisiones profesionales, busca puestos y organizaciones cuyas misiones y prácticas respaldes.

¿Aceptaría despedir a mi equipo, sabiendo que quienes se quedan estarán sobrecargados? Si liderar con justicia y dignidad es lo que más valoras, piensa dónde pones el límite. ¿Impulsarías un enfoque gradual? ¿Lucharías por más apoyo? ¿O sería este el momento de dar un paso al costado?

Tus respuestas no son solo teóricas. Te ayudan a establecer límites profesionales. Comprender tus puntos no negociables ahora te permite afrontar decisiones difíciles más adelante, antes de que la urgencia te obligue a actuar.

2. Desarrollar adaptabilidad y agilidad.
La resiliencia profesional es como un músculo: se desarrolla fortaleciendo la inteligencia emocional, ampliando las habilidades y estando preparado para adaptarnos cuando sea necesario. Para fortalecer la adaptabilidad y la agilidad en tu puesto actual:

Comprende tu rol en el panorama general. Presta atención a cómo tu trabajo se conecta con las funciones y objetivos empresariales más amplios. Colabora proactivamente con otros equipos, resuelve problemas recurrentes y asume proyectos que amplíen tu experiencia y te ayuden a desarrollar nuevas habilidades. Las oportunidades suelen surgir al ir más allá de tu rol inmediato.

Mantén la calma bajo presión. El pensamiento claro y la autorregulación son esenciales en entornos de alto riesgo e incertidumbre. Reconoce tus desencadenantes de estrés y gestiona tu energía antes de que te dominen. Crea rutinas que te ayuden a restablecerte, como la atención plena, la respiración, la reflexión o las reuniones con mentores o colegas.

Apuesta por tus habilidades de alto valor. La IA no está reemplazando el liderazgo, la creatividad ni la inteligencia emocional, todavía. Acepta proyectos desafiantes, accede a oportunidades de gestión y perfecciona tu capacidad para resolver problemas, comprender el entorno y adaptarte en tiempo real. Identifica tus habilidades de alto valor observando qué buscas constantemente en ti, qué problemas resuelves con facilidad y dónde tu visión única tiene el mayor impacto. Cuanto más sólidas sean estas habilidades, más oportunidades profesionales tendrás.

Haga del aprendizaje parte del trabajo, no un plan B. La encuesta de Deloitte sobre Habilidades Laborales 2024 reveló que el 87 % de los profesionales afirma que la adaptabilidad y el liderazgo son clave para el crecimiento profesional, lo que refuerza la idea de que el aprendizaje continuo, ya sea mediante IA, tendencias del sector o nuevas tecnologías en el lugar de trabajo, es esencial para el éxito a largo plazo. Trate cada obstáculo como una oportunidad de aprendizaje: qué funcionó, qué no y cómo mejorar. Integre el aprendizaje en su flujo de trabajo reservando tiempo para el desarrollo de habilidades, buscando retroalimentación con regularidad y manteniendo la curiosidad por las nuevas herramientas y los cambios en el sector. Los esfuerzos pequeños y constantes se acumulan con el tiempo.

3. Profundizar las relaciones.
Tu red de seguridad profesional no es sólo tu currículum; está reforzada por las personas que responderán por ti, te ofrecerán apoyo y perspectiva, y te abrirán puertas cuando menos lo esperes.

Construye relaciones más allá de tu puesto y empresa actuales. Amplía tu red de contactos con intención conectando con personas que te ayuden a ampliar tu perspectiva y a impulsar tu crecimiento. Únete a grupos del sector, consejos asesores o de jóvenes, círculos de exalumnos o comunidades basadas en la identidad. Participa en espacios digitales como comunidades de Slack, grupos de Discord o foros del sector, y asiste en persona siempre que puedas. Participar en debates, compartir ideas o simplemente estar presente puede generar nuevas conexiones, oportunidades, colaboraciones y perspectivas profesionales que de otro modo no habrías encontrado.

Cultiva conexiones profundas, no solo una red de LinkedIn. Ve más allá de las relaciones transaccionales: invierte en amistades, ofrece apoyo cuando tus colegas lo necesitan, haz voluntariado en tu comunidad, mentoriza a otros y participa en comunidades creativas que te llenen de energía. ¡Apoyar a los demás crea buena voluntad, fortalece la confianza y te hace sentir bien!

Mantén a tu mejor amigo en el trabajo. Podría ser tu mayor activo profesional. Un estudio de KPMG "Amigos en el Trabajo" reveló que tener amigos en el trabajo hace que las personas sean más felices y satisfechas con sus trabajos.

4. Crea tu siguiente mejor opción.
Si pierdes tu trabajo mañana, ¿cuál es tu plan?

Quizás tu siguiente mejor opción no sea la que imaginaste originalmente. Un puesto que antes pasabas por alto ahora podría encajar con tus habilidades e intereses. Un cambio temporal podría abrirte puertas inesperadas.

Establece un ritmo de revisión profesional. No necesitas replantearte tu carrera a diario, pero esperar a que una crisis te obligue a actuar no es una estrategia. En cambio:
  • Trimestral: Toma el pulso. ¿Estás creciendo? ¿Son tus habilidades relevantes? ¿Tu trabajo te llena de energía o te agota?
  • Anualmente: Reevalúa tu camino. ¿Vas por buen camino? ¿Ante qué riesgos u oportunidades debes prepararte?
Ser proactivo no significa buscar trabajo constantemente. Significa mantener la mente despejada y listo antes de tener que hacerlo.

Dale forma a tu imagen. Tu reputación es un activo, tanto si eres un ejecutivo experimentado como si estás al inicio de tu carrera. Mantente activo en LinkedIn, Polywork, Lunchclub o plataformas específicas de tu sector. Participa en grupos profesionales, participa en conversaciones y comparte tu experiencia. Cuando las personas conocen tus fortalezas y lo que representas, las oportunidades adecuadas te encontrarán.

Hazle saber a tus personas de confianza que estás abierto a nuevas oportunidades. Tu próximo puesto podría surgir de una conversación, no de una oferta de trabajo. Construye relaciones que te mantengan en el radar de la gente antes de que necesites un cambio.

Mira más allá de los puestos de trabajo. Presta atención a lo que te motiva, a las tareas que te resultan sostenibles en lugar de agotadoras, y a las áreas en las que tus habilidades generan valor. Considera puestos que ofrezcan estabilidad financiera o margen de crecimiento. Explora sectores adyacentes o nuevas maneras de aplicar tus fortalezas e intereses.

Mantén tus materiales listos. Guarda tu currículum, ejemplos de trabajo y contactos clave en un lugar fácil de encontrar. Guarda cartas de referencia, proyectos destacados y cualquier nota de prensa o reconocimiento para estar preparado ante cualquier oportunidad o cambio inesperado. Tu yo del futuro te lo agradecerá.

Solicita con anticipación. Explorar las opciones con anticipación significa menos estrés y más control al realizar una mudanza.

Replantea tus expectativas. Un cambio de planes no es un fracaso, es agilidad. Tu próximo paso podría ser diferente a lo esperado, pero podría llevarte más lejos.

La resiliencia profesional ya no está ligada a una empresa, un título o un sueldo; se basa en tu capacidad de navegar hacia lo que viene a continuación mientras permaneces anclado en el presente.

Debemos ser estratégicos e intencionales con nosotros mismos y con los demás. Confía en ti mismo para saber que navegarás la incertidumbre, no te quedarás estancado ni te agotarás intentando superarla.

Lea más sobre Planificación de carrera o temas relacionados Carreras, Resiliencia personal y Gestión de uno mismo.

Daisy Auger-Domínguez es ejecutiva de alto nivel y autora de Inclusion Revolution y Burnt Out to Lit Up. Con décadas de experiencia en la intersección de negocios, cultura y propósito, abarcando puestos de liderazgo en Moody's Investors Service, Google, Disney y Vice Media, asesora a ejecutivos y juntas directivas sobre la creación de equipos de alta confianza, alto rendimiento y saludables. Como conferenciante y estratega, ayuda a los líderes a afrontar la complejidad para que puedan actuar con confianza, claridad e impacto.


Doxa 2190

¿Cómo debería encajar Gen AI en su estrategia de marketing?

Por Dhruv Grewal, Cinthia B. Satornino, Thomas H. Davenport y Abhijit Guha
IA y Aprendizaje Automático
Harvard Business Review

#Doxa #GenAI #estrategia #IA #marketing #aprendizaje #automático #empresa #personalización #supervisión #tarea #datos #entrenamiento #modelo #invertir #precisión #riesgo #ascenso #evaluar #compensación #garantia #eficiencia #mitigue #error #privacidad #rigurosa #regulatorio
Resumen. Para integrar con éxito la IA generativa (generación de IA) en el marketing, las empresas necesitan equilibrar la automatización, la personalización y la supervisión humana. Como tal, deben seguir unos pasos. En primer lugar, determine si una tarea requiere IA de generación para la creación de contenido o IA analítica para las predicciones basadas en datos; a menudo, lo ideal es una combinación de ambas. A continuación, evalúe si debe confiar en modelos generales de IA o invertir en datos de entrenamiento patentados para mejorar la precisión y reducir los riesgos. Por último, establezca el nivel adecuado de revisión humana en función del riesgo: las tareas de bajo riesgo, como resumir las reseñas, pueden automatizarse por completo, mientras que el contenido de alto riesgo, como los ascensos legalmente vinculantes, requiere una supervisión rigurosa. El uso de un marco estructurado para evaluar estas compensaciones garantiza que la IA de generación mejore la eficiencia y, al mismo tiempo, mitigue los errores, los problemas de privacidad y los riesgos regulatorios.
La IA generativa (generación de IA) ha provocado una conmoción de disrupción tecnológica en todo el ecosistema del mercado, especialmente en lo que respecta a marketing—dejar que las partes interesadas lidien con sus implicaciones, oportunidades y desafíos. Como produce diversas formas de contenido, los vendedores suelen verlo como un avance poderoso en la creación de textos de productos, entradas de blog, anuncios de vídeo y web, ofertas personalizadas a los clientes y estudios de mercado (por ejemplo, en algunos casos, la IA de generación se puede utilizar para predecir las respuestas de los clientes potenciales, los clientes y otros participantes del mercado). De hecho, la novena edición de Informe sobre el estado del marketing de Salesforce, una encuesta realizada a 5000 vendedores de todo el mundo, reveló que «implementar o aprovechar la IA» era su prioridad número uno. Algunas organizaciones han utilizado herramientas de IA de generación para lograr resultados de marketing significativamente mejores. Por ejemplo, Vanguardia ha utilizado la IA de generación para aumentar las tasas de conversión de anuncios de LinkedIn en un 15%. Del mismo modo, De Unilever los agentes de servicio de atención al cliente confían en la IA de la generación para reducir su tiempo de respuesta en un 90%.

Sin embargo, la encuesta de Salesforce mostró que, aunque el 96% de los vendedores tenían una IA generativa o tenían previsto tenerla en un plazo de 18 meses, solo el 32% la había implementado completamente en las operaciones de marketing. Esto puede deberse a que implementar iniciativas de marketing impulsadas por la IA no está exento de riesgos. Por ejemplo, Coca-Cola, que utilizó la IA para crear un remake de su anuncio navideño de 1995 «, Se acercan las vacaciones», recibió inicialmente una respuesta muy positiva de los consumidores sobre el anuncio, pero más tarde recibió críticas considerables debido a la «falta de calidez», que es una crítica común a las imágenes de la generación de inteligencia artificial. El desafío, por lo tanto, no es si las empresas deberían, sino más bien cómo implementan herramientas de IA de generación en varias implementaciones de marketing para maximizar los beneficios y, al mismo tiempo, mitigar los riesgos.

A pesar de lo mucho que está en juego, muchos directores de datos y análisis de las CDAO, que suelen ser responsables de introducir la IA en toda la organización, no han formalizado sus estrategias y tácticas de IA de generación para uso de marketing u otras funciones. Las decisiones sobre la selección de herramientas de IA de generación (de las que hay una enorme variedad) suelen tomarse a nivel individual, lo que refleja un sistema heterogéneo de experimentación sobre la marcha, a veces sin que la alta dirección lo sepa. En nuestras conversaciones con más de 20 líderes empresariales, nos enteramos de que el camino de las empresas hacia una estrategia de IA de generación exitosa para el marketing suele incluir tres decisiones clave: 1) si utilizan la IA de la generación o la IA analítica tradicional; 2) qué se debe añadir, si es que hay algo, a un modelo de IA de generación para generar el resultado deseado y 3) qué nivel de aumento humano, como las indicaciones y la revisión de los resultados, es necesario.

Para tomar estas decisiones, las empresas tienen que responder a una serie de preguntas, entre ellas:
  • ¿Qué tareas queremos realizar con esta herramienta de IA de generación (por ejemplo, estamos intentando hacer predicciones empresariales o generar contenido)?
  • ¿Tenemos datos estructurados o no estructurados para este caso de uso?
  • ¿Qué limitaciones de recursos tenemos?
  • ¿Cuánta mejora de productividad necesitamos lograr?
  • ¿Con qué rapidez debemos entregar la salida a los usuarios finales?
  • ¿Qué tan perjudiciales son los errores o imprecisiones en las salidas de la IA de la generación?
  • ¿Qué relación tienen la precisión, la privacidad y la mitigación de riesgos con nuestra reputación y propuesta de valor?
  • ¿Cuánto control necesitamos sobre el proceso y la salida?
  • ¿Cuánto riesgo legal y reglamentario estamos dispuestos a asumir?
  • ¿Qué tan intensos son los problemas de privacidad para nosotros? ¿Para nuestros usuarios finales?
En este artículo, explicamos cómo los vendedores pueden abordar estas preguntas, las ventajas y desventajas con respecto a la formación y la creación de entradas basadas en las indicaciones para la generación de herramientas y procesos de IA, y un marco que ayuda a los vendedores a sopesar las ventajas de forma estratégica.

¿El caso de uso es adecuado para la IA de generación o la IA analítica?
La primera decisión clave para los vendedores es determinar si el caso de uso necesita una IA de generación o si la IA analítica sería suficiente. Muchos vendedores no entienden del todo la diferencias entre la IA generativa y la IA analítica. Para aclarar, el propósito de la IA analítica es analizar los datos existentes y utilizarlos para predecir o clasificar los datos que aún no existen. Se basa en datos estructurados (datos que se pueden organizar en filas y columnas de números) y, a su vez, produce resultados estructurados. En marketing, se ha utilizado para predecir el producto o servicio que es probable que compre un cliente, el precio que probablemente pagará un cliente, la promoción a la que responderá un cliente o el anuncio en el que hará clic el cliente.

Los vendedores han utilizado el aprendizaje automático analítico tradicional de forma amplia y eficaz durante varias décadas. Por ejemplo, hace unos 10 años, Kia usó IBM Watson para identificar a las personas influyentes que encarnaban los rasgos asociados a la marca Kia (estas personas influyentes se utilizaron posteriormente para reforzar la presencia de Kia en la Super Bowl de 2016), una información útil que todavía se necesita hoy en día. La IA analítica es bastante buena en este tipo de predicciones y, por lo tanto, la IA analítica sigue siendo muy valiosa para los vendedores. Pero dado el reciente bombo publicitario en torno a la IA generativa, muchos líderes empresariales parecen no estar considerando la IA analítica cuando es apropiado y, por miedo a perder una fuente de ventaja competitiva o quedarse atrás, simplemente buscan la última tecnología.

Al igual que la IA analítica, la IA de generación también utiliza métodos analíticos y aprendizaje automático. Sin embargo, el objetivo de la IA de generación es menos hacer predicciones y más crear nuevo contenido a partir de patrones discernidos en el contenido existente. La IA generativa se entrena con datos relativamente desestructurados, como palabras, sonidos e imágenes, en una secuencia, y puede producir salidas de datos no estructurados. Por ejemplo, en las funciones de marketing y atención al cliente, se puede utilizar para generar ofertas, anuncios, imágenes de nuevos productos, entradas de blog, mensajes para los clientes y descripciones de los productos, así como para analizar la opinión de los clientes, proponer soluciones a los problemas de servicio y, en algunos casos, predecir el comportamiento futuro de los clientes.

Los vendedores necesitarán ambos IA generativa y analítica para lograr sus objetivos. Si, por ejemplo, una empresa quiere enviar las «próximas mejores ofertas» a los clientes, la IA analítica puede predecir qué oferta tiene más probabilidades de ser comprada por un cliente en particular basándose en los datos de compras de clientes anteriores. Si el vendedor quiere presentar un mensaje personalizado y ofrecer al cliente descripciones de los productos para la compra prevista, la IA de generación a generación será la mejor herramienta para llevar a cabo esa tarea. Al combinar ambas IA, los vendedores pueden enviar la siguiente mejor oferta generada por las herramientas de IA analítica, incluida en un mensaje de marketing personalizado generado por la IA de la generación diseñado para atraer aún más la compra.

¿Necesitamos entradas personalizadas o generales para la generación de IA?
En segundo lugar, suponiendo que la IA de generación sea adecuada para el caso de uso identificado, la siguiente decisión clave es si se necesitan entradas personalizadas o generales para las aplicaciones orientadas al cliente. Se puede pensar que los insumos utilizados para entrenar a las herramientas de IA de la generación existen en un continuo. Por un lado, hay insumos generales proporcionados por los proveedores en los llamados «modelos básicos» (que se basan en grandes cantidades de disponible públicamente datos, como Wikipedia, GitHub, datos extraídos de redes sociales y fuentes similares). Por otro lado, hay una entrada personalizada o propietario, específico de la empresa datos. Entre los dos puntos finales del continuo hay muchas aplicaciones que se basan en entradas híbridas (datos generales y personalizados).

En muchos casos, la aplicación de IA de la generación se beneficia del entrenamiento y el acceso a un conjunto de datos relativamente amplio: modelos lingüísticos (LLM) de gran tamaño o modelos de imágenes (LIMs) de gran tamaño. Por ejemplo, al interactuar con usuarios individuales, como agente de servicio o acompañante virtual, o al resumir las conversaciones con los clientes, las herramientas de IA de generación, como ChatGPT, se benefician del acceso a datos amplios en varios dominios y puntos de vista, lo que les permite generar una amplia gama de respuestas según el contexto y el contenido de la interacción. Este contenido formativo puede considerarse como una educación general amplia para los modelos de IA.

Por el contrario, si se necesita contenido específico de la empresa para generar el resultado deseado (fundamental para generar textos de productos, entradas de blog, anuncios o respuestas del servicio de atención al cliente, por ejemplo), puede que sea necesario entrenar o ampliar los modelos con un conjunto de datos patentado reducido y cuidadosamente construido. Algunos modelos personalizados suelen entrenarse desde cero en estas fuentes de datos. Los modelos suelen ser específicos de un dominio, como BloombergGPT y FingPT para finanzas, KL3M y Chat Law para solicitudes legales, y BioMemo y MedLM para aplicaciones de ciencias de la vida. (Tenga en cuenta que ninguno de estos ejemplos se utiliza actualmente en marketing, ventas o servicio de atención al cliente.) Otros modelos pueden ser «entrenados a medida» en contenido específico, lo que a su vez modifica los modelos básicos generales, aunque este método también es relativamente difícil y poco frecuente. Un ejemplo es Harvey, un máster en derecho que se ha formado con contenido legal, en colaboración con OpenAI y GPT-4. Al menos un vendedor, Jasper, ahora ofrece versiones personalizadas de los modelos de OpenAI sobre contenido orientado al marketing.

Un enfoque mucho más común en las aplicaciones de marketing y servicio al cliente es aumentar los modelos de uso general con contenido especializado y patentado mediante una serie de instrucciones que no cambian el modelo subyacente sino que influyen en gran medida en sus resultados. Este enfoque de «generación aumentada y recuperación» (RAG) lo han adoptado muchas empresas que lo utilizan para modificar sus modelos. Este método proporciona beneficios en términos de reducción de la frecuencia de alucinaciones o resultados inapropiados, una fuente de riesgo importante para las empresas de marketing. Colgate-Palmolive, por ejemplo, trabajó con el proveedor Market Logic para utilizar este enfoque para captar el conocimiento de los consumidores y el mercado, de modo que los vendedores de la empresa pudieran acceder fácilmente a él. Del mismo modo, la IA de Jasper también permite a los clientes introducir su propio contenido patentado relacionado con «normas de marca y requisitos de contenido específicos» en un programa llamado « Aplicaciones personalizadas.”

Como las entradas personalizadas pueden modificar los modelos de forma permanente o temporal, las empresas que necesitan entradas personalizadas suelen trabajar con modelos de código abierto almacenados en sus propias instalaciones o con versiones patentadas de modelos básicos de proveedores de nube. Al establecer el control sobre los modelos patentados o fundamentales, también pueden evitar la filtración de propiedad intelectual o datos confidenciales a los modelos disponibles públicamente, otra fuente de riesgo importante para las empresas. Si las empresas restringen (normalmente mediante Filtrado RAG y prompt técnicas) indicaciones a las que implican el contenido de entrada personalizado, las alucinaciones suelen reducirse sustancialmente y el sistema puede proporcionar citas al contenido personalizado correspondiente.

Por lo tanto, la compensación entre una entrada general y una entrada personalizada implica tanto el coste como el riesgo. Con las entradas generales, las empresas no incurren en los gastos de crear sus propios conjuntos de datos para entrenar los modelos y apoyar la generación de productos. Las empresas que solo necesitan aportaciones generales pueden asociarse con OpenAI o Google Gemini, por ejemplo, y evitar el gasto por completo. Sin embargo, estos modelos no proporcionan necesariamente las salidas de información más precisas y específicas en dominios de contenido limitados. También crean un riesgo relativamente alto de alucinaciones o resultados no deseados obtenidos por estos modelos de LLM de «predecir la siguiente palabra». El empleo de modelos disponibles al público también aumenta riesgos de privacidad y confidencialidad que dejan a las empresas expuestas a vulnerabilidades éticas y reglamentarias. Las empresas deben tener en cuenta detenidamente sus necesidades de tolerancia al riesgo, privacidad y confidencialidad y sus limitaciones de recursos al seleccionar las herramientas basándose en datos generales o personalizados.

¿Cuánto aumento humano necesitamos?
La tercera decisión clave a la hora de implementar la IA de la generación se refiere a la nivel de aumento humano antes de que la producción se entregue al consumidor final. En un extremo, las empresas pueden optar por dejar que la producción de IA de generación fluya directamente al consumidor final, lo que puede ser apropiado cuando hay riesgos mínimos relacionados con la inexactitud, el sesgo o el contenido ofensivo. Por ejemplo, dado que los riesgos derivados de errores o imprecisiones son relativamente bajos, la tarea de resumir las reseñas de los productos mediante una herramienta de inteligencia artificial de la generación se puede ejecutar y subir directamente a un sitio web sin que una persona necesite revisar el resultado. Por el contrario, cuando estos riesgos son altos, por ejemplo, si se utilizara la IA de generación para crear promociones u ofertas legalmente vinculantes, las empresas pueden optar por niveles sustanciales de revisión y edición por parte de un agente humano, aumentando así la producción antes de entregarla al usuario final.

Aunque en nuestras entrevistas, algunos representantes de la empresa afirmaron que hay pocos o ningún aumento de productividad asociado con el uso de la IA de generación si el contenido debe revisarse y editarse posteriormente, la falta de aumento humano puede provocar pérdidas materiales para las empresas en los casos en que el riesgo de error es alto. Por ejemplo, un chatbot de Air Canada ofreció a un cliente un descuento por duelo que la aerolínea le negó más tarde. Sin embargo, posteriormente, un tribunal dictaminó que la aerolínea tenía que cumplir con la oferta de descuentos del chatbot. Las ventajas y desventajas del aumento humano incluyen el aumento del coste de un agente humano y la disminución de la velocidad de entrega que se introducen las etapas adicionales del proceso de revisión del resultado, pero la ventaja incluye una mayor precisión e idoneidad del resultado.

Un marco para el uso eficaz de GenAI en el marketing
Nuestro marco (más abajo) puede ayudar a los responsables de la toma de decisiones a clasificar estas compensaciones entre diferentes enfoques, a aprovechar las ventajas de la IA de la generación y a seleccionar las herramientas que mejor se adapten a los objetivos estratégicos y tácticos de sus empresas, así como a cubrirse las apuestas a la hora de sortear la compensación entre riesgo y recompensa. Cada uno de los cuatro cuadrantes representa una combinación específica de beneficios y costes en función de las compensaciones con respecto a la formación y el acceso, los insumos y la entrega de productos a los usuarios finales.

Considerando las desventajas al trabajar con IA generativa. Una matriz de 2x2 explica las desventajas de los diferentes enfoques para usar IA generativa en marketing. Cuatro categorías se basan en el grado de personalización de la entrada y la cantidad de revisión humana de la salida requerida. El cuadrante 1 (entrada general, sin revisión) presenta la mayor velocidad y el menor costo de los cuatro enfoques, pero presenta el mayor riesgo para la privacidad y la menor precisión; un ejemplo es resumir reseñas en línea con ChatGPT. El cuadrante 2 (entrada general, con revisión humana de la salida) presenta mayor precisión y menor costo, pero conlleva un mayor riesgo para la privacidad y menor velocidad; un ejemplo es generar publicaciones en redes sociales con ChatGPT. El cuadrante 3 (entrada personalizada, sin revisión de la salida) presenta mayor velocidad y menor riesgo para la privacidad, pero un mayor costo y menor precisión; un ejemplo es un localizador de productos en tienda por SKU. El cuadrante 4 (entrada personalizada, con revisión humana de la salida) presenta la mayor precisión y el menor riesgo para la privacidad de los cuatro enfoques, pero presenta la menor velocidad y el mayor costo; un ejemplo es crear una presentación ante la SEC con Bloomberg GPT. Fuente: Dhruv Grewal et al. “Cómo la IA generativa está moldeando el futuro del marketing”, Revista de la Academia de Ciencias del Marketing, 2024.

Ver más gráficos de HBR en Datos e imágenes

Cuadrante 1 (primer trimestre): Sin entrada personalizada, sin necesidad de revisar los resultados.
Hay aplicaciones de marketing que no necesitan datos de entrada aumentados y que implican un riesgo relativamente bajo de errores o imprecisiones (por ejemplo, resumir las reseñas de productos). En esos casos, pueden ser adecuadas las implementaciones de IA de generación que impliquen poco o ningún aumento humano antes de entregar la salida a los usuarios finales. Estos procesos generales de aumento humano con pocos insumos suelen ofrecer altas velocidades de entrega a un bajo coste. Cabe destacar que existen riesgos con respecto a la privacidad y la precisión. Sin embargo, los vendedores que implementan estos procesos deberían haber considerado que estos riesgos eran compensaciones aceptables por las ventajas de velocidad y coste antes de la implementación. Esta categoría podría incluir resúmenes internos de documentos de investigación de mercado o conversaciones con clientes, resúmenes de reuniones internas o cualquier otro contenido que sea poco probable que consuman los clientes o que contenga promesas cumplidas por contrato.

Cuadrante 2 (segundo trimestre): Sin entrada personalizada, pero se necesita revisar los resultados.
Para las empresas que exigen más precisión pero que siguen confiando en productos genéricos y públicos, emplear un LLM público y asignar a un agente humano para que revise y edite los resultados antes de su entrega puede ser adecuado. Estas empresas incurren en el coste de una revisión humana, lo que probablemente ralentice la producción y reduzca las ganancias de productividad. Sin embargo, este enfoque mitiga los posibles riesgos costosos debido a errores o imprecisiones. Los ejemplos de esta celda podrían incluir entradas de blog, podcasts creados por IA o textos de productos para productos que se entiendan bien.

Cuadrante 3 (tercer trimestre): contenido personalizado, pero no es necesaria la revisión de los resultados.
Algunas empresas producen productos derivados de datos privados, pero corren un riesgo mínimo de inexactitud o error. Estas implementaciones incluyen el coste de desarrollar y mantener un conjunto de datos patentado para el entrenamiento y el acceso, un gasto no trivial. Sin embargo, ofrecen resultados más relevantes y mitigan los riesgos de privacidad. La falta de aumento humano puede provocar imprecisiones, pero en estos casos de uso, los riesgos relacionados con la inexactitud se consideran bajos. Los ejemplos pueden incluir aplicaciones de IA de generación que asesoran sobre la ubicación de los productos en las tiendas, los chatbots del servicio de atención al cliente con contenido propio sobre productos y servicios o los sistemas internos de gestión del conocimiento de marketing.

Cuadrante 4 (cuarto trimestre): contenido personalizado con revisión humana.
Cuando los datos patentados, la mitigación de riesgos y la precisión de los resultados son todos necesarios, se necesita un enfoque de alto nivel. Estas implementaciones de IA de generación son las más caras porque las empresas incurren en los costes de generar y mantener un conjunto de datos patentado y de realizar revisiones de agentes humanos. Además, la entrega de los resultados al usuario final se ve ralentizada por las fases de revisión y edición. Sin embargo, este es el cuadrante en el que es deseable una reducción sustancial del riesgo. Los ejemplos relevantes incluyen las solicitudes con altos niveles de sensibilidad normativa o contractual, como una oferta aplicable a un cliente o la descripción del producto de un medicamento o dispositivo médico.

• • •
Es importante que los especialistas en marketing recuerden que tanto la IA analítica como la generativa pueden aportar valor y que las interacciones con los clientes, en muchos casos, requerirán ambos tipos de IA. Es probable que las empresas que se comprometen a utilizar la IA de generación a gran escala acaben encontrando casos de uso que cubran los cuatro cuadrantes que hemos descrito. La figura anterior y los debates proporcionan orientación para considerar las diversas compensaciones que implica la implementación de la IA de una generación. Con el tiempo, los cambios tecnológicos pueden facilitar la incorporación de contenido personalizado y reducir la prevalencia de errores e imprecisiones en los sistemas disponibles al público. Sin embargo, hoy y en un futuro próximo, todo lo anterior requiere una atención y un esfuerzo considerables para abordarlo.

Lea más sobre IA y aprendizaje automático o temas relacionados: Tecnología y analítica, Marketing y Ventas.

Dhruv Grewal ocupa la Cátedra Toyota de Comercio y Negocios Electrónicos y es profesor de marketing en Babson College. Es coautor de Marketing and Retailing Management y autor de Retail Marketing Management: The 5 E of Retailing.

Cinthia B. Satornino es Profesora Asociada de Marketing en la Universidad de New Hampshire, Paul College of Business and Economics, y autora del libro de próxima publicación, At the Helm: Navigating the Next Era of Sales Management. Su investigación se centra en la psicología del vendedor y en cómo las estructuras sociales y la tecnología/inteligencia artificial impactan en el rendimiento.

Thomas H. Davenport es Profesor Distinguido del Presidente de Tecnología de la Información en Babson College, Profesor Bicentenario de Analítica en la Escuela de Negocios Darden de la UVA, profesor visitante en la Iniciativa del MIT sobre la Economía Digital y asesor principal del Programa de Director de Datos y Analítica de Deloitte.

Abhijit Guha es profesor asociado del Departamento de Marketing de la Escuela de Negocios Darla Moore de la Universidad de Carolina del Sur. Sus intereses de investigación y docencia incluyen la venta minorista, la fijación de precios y la inteligencia artificial.