Para tener éxito con la IA, hay que dominar los fundamentos
Cinco principios atemporales que se refuerzan mutuamente y que toda empresa debe comprender correctamente
Por Thomas C. Redman
Tecnología y análisis
Harvard Business Review
#Doxa #IA #InteligenciaArtificial #FundamentosIA #TransformaciónDigital #EstrategiaEmpresarial #InnovaciónTecnológica #DatosCalidad #AutomatizaciónInteligente #AprendizajeAutomático #ÉticaIA #LiderazgoDigital #CulturaDataDriven #AdaptabilidadOrganizacional #ValorDeNegocio #FuturoDelTrabajo
Resumen. En lugar de preocuparse por si están adoptando la IA con la suficiente rapidez, a la mayoría de las empresas les convendría más asegurarse de que están sentando bien las bases. En concreto, deben centrarse en aplicar cinco principios atemporales deGestión de la calidad que se refuerzan mutuamente: la orientación centrada en los clientes, el enfoque en los procesos, el compromiso de actuar calculando en los hechos, una filosofía de mejora continua y el reconocimiento de que la calidad se consigue a través de las personas. Esto puede parecer engañosamente sencillo, pero las cosas sencillas suelen ser difíciles. Lograr que estos principios funcionen requiere que los líderes —a todos los niveles— se opongan al espíritu de prisa y precipitación del momento y reflexionen profundamente sobre sus organizaciones con la mirada puesta en el largo plazo.
Las personas y las empresas inteligentes caen en una trampa habitual en lo que respeta a la IA: la falsa creencia de que añadir una capa de IA a sus procesos actuales ocultará, en lugar de revelar, una multitud de errores del pasado. Aunque saben perfectamente que «si entran datos erróneos, salen datos erróneos», se imaginan inmunes a los errores, las alucinaciones y la insatisfacción de los clientes. Creen que sus datos son mejores que los medios, a pesar de la escasa inversión, o que la intervención humana resolverá cualquier problema que surja más adelante.
¿Por qué líderes que, por lo demás, son perspicaces sucumben a este tipo de pensamiento mágico? En pocas palabras, se dejan seducir por la promesa de que la IA es, de alguna manera, una fuente de dinero fácil. Cuando los proyectos se estancan y los beneficios no llegan, buscan una solución en un nuevo director de datos, una nueva tecnología o un proveedor diferente. Cuando nada más funciona, lanzan un vago llamamiento a «cambiar la cultura».
Están mirando en la dirección equivocada. Aunque muchos dicen todo lo correcto, están restando importancia a las personas, los datos, los clientes, la calidad y el propósito empresarial. Piénselo: aunque prácticamente todo el mundo está de acuerdo en que «los datos de alta calidad son la base de la IA», ¿cuántas empresas siguen sin tomar las medidas adecuadas? ¿Cuántos cuentan con procesos que tengan seriamente en cuenta los deseos, las aspiraciones y las necesidades de los destinatarios del trabajo generado por la IA? No es de extrañar que el trabajo de mala calidad sea tan habitual.
En lugar de preocuparse por si están adoptando la IA con la suficiente rapidez, a la mayoría de las empresas les convendría más asegurarse de que están sentando bien las bases. Como asesor de empresas de todo el mundo desde hace unos 35 años, les he ayudado a adaptar y aplicar a los datos cinco principios básicos atemporales de la gestión de la calidad que se refuerzan mutuamente: la orientación centrada en los clientes, el enfoque en los procesos, el compromiso de actuar aumentarán en los hechos, una filosofía de mejora continua y el reconocimiento de que la calidad se consigue gracias a las personas.
Esto puede parecer engañosamente sencillo, pero las cosas sencillas suelen ser difíciles. Para hacerlo bien, es necesario que los líderes —a todos los niveles— se opongan al espíritu de precipitación que impera en estos momentos y reflexionen en profundidad sobre sus organizaciones con una visión a largo plazo. Adoptar una nueva tecnología o idea es emocionante y genera una sensación de impulso hacia adelante. Sin embargo, la adopción de la IA es un medio para alcanzar un fin, no un fin en sí mismo. Para que funcione, los líderes deben asegurarse primero de sentar unas bases sólidas.
Analizamos cada uno de ellos por separado.
Satisfacer a los clientes, tanto internos como externos.
Según mi experiencia, la IA actúa como un acelerador. Sean cuales sean los puntos fuertes y débiles de las relaciones actuales, la IA las potenciará. Si los clientes de pago perciben a su empresa como fría y distante, la IA les convencerá aún más de que usted no tiene ningún interés en ellos personalmente. Si los empleados no colaboran bien entre departamentos, la IA hará que hacerlo resulte aún más difícil. Hay mucho que perder.
Por otro lado, muchos clientes mantienen excelentes relaciones con uno o varios representantes de atención al cliente. La IA puede enriquecer esas relaciones. Además, es de esperar que la IA dé lugar a mejores productos y servicios. Por lo tanto, ¡también existe una oportunidad real!
La pregunta fundamental aquí es: ¿está ofreciendo a los clientes lo que necesitan y desean?
Normalmente pensamos en los clientes como entidades externas : clientes que pagan, organismos reguladores y otros stakeholders. Sin embargo, para sentar unas bases sólidas, resulta útil ampliar esta definición e incluir también a los clientes internos , en el sentido de «las personas que utilizarán su trabajo para realizar el suyo», ya sea la siguiente persona, departamento, equipo, aplicación o agente de la cadena. Satisfacer sus necesidades significa que pueden realizar su trabajo de forma más eficaz y eficiente, sin cuestionar su trabajo (o, en términos de IA, sin tener que lidiar con «imperfecciones»). Cuando se aplica de manera coherente en toda la empresa, tanto las personas como la empresa son más eficaces y eficientes.
A lo largo de mi carrera, lo que más impacto ha tenido ha sido conseguir que las personas y las empresas «piensen de forma diferente sobre los clientes».
Consideramos un sencillo ejemplo hipotético del uso práctico de la IA. Sarah, una directora, va retrasada con las evaluaciones de rendimiento y, de todos modos, no se le dan muy bien. Le pide a Gemini que «redacte una evaluación para Tim, un analista que realiza un trabajo sólido, pero que debe mostrarse más asertivo en las reuniones». Gemini genera tres párrafos muy bien redactados, mucho más elocuentes de lo que Sarah podría escribir.
Tanto Tim como el departamento de RR. HH., que se consideran clientes según la definición anterior, se dan cuenta. Tim desea un ascenso y no recibe el asesoramiento específico que necesita para lograrlo; se siente infravalorado. El departamento de RR. S.S. observa que Sarah no está respaldando una iniciativa corporativa destinada a ofrecer comentarios más constructivos. Sarah ha tachado una tarea de su lista de cosas por hacer y se ha ahorrado unos minutos, pero ambos clientes están insatisfechos. Cabe mencionar que, aparte de una pequeña ganancia en productividad, no se han atendido los intereses de Sarah. Y, mientras Sarah se esfuerza por recuperar la confianza de Tim, seguramente dedicará más tiempo del que se ahorró.
La IA ofrece muchas ventajas, pero por sí sola no puede saber quiénes son sus clientes ni discernir sus necesidades (que pueden ser contradictorias). Ignorar esa laguna garantiza prácticamente la insatisfacción de los clientes y el malestar que se deriva de las respuestas inadecuadas dentro de las empresas . Pocas empresas pueden permitirse esto, ya sea con clientes externos o internos. De hecho, el éxito de la IA depende tanto de la satisfacción del cliente como de cualquier otro factor.
Los líderes deben plantearse algunas preguntas fundamentales:
- ¿Qué tipo de relaciones queremos establecer con los clientes externos?
- ¿Cómo queremos trabajar juntos a nivel interno?
- ¿Cómo podemos utilizar la IA para construir mejores relaciones? ¿Qué debemos evitar?
- ¿Cómo nos aseguramos de contar con la capacidad adecuada para escuchar y responder a los clientes a medida que la IA transforma sus necesidades y relaciones?
- ¿Cómo podemos experimentar con las interfaces entre la empresa y los clientes para crear otras mejores?
Llevará algún tiempo tomar todas las medidas adecuadas. Mientras tanto, los líderes pueden dar un primer paso indicando a quienes utilizan la IA (incluidos ellos mismos) que siguen dos pasos. En primer lugar, antes de pulsar «enviar» en cualquier mensaje, pregúntese:
- ¿A quién va dirigida la respuesta?
- ¿Cómo sería para ellos una buena respuesta?
En segundo lugar, ofrezca comentarios. En el ejemplo anterior, tanto Tim como el responsable de RR. S.S. guarda silencio. Sin embargo, Tim debe expresarse con mayor frecuencia para poder optar a un ascenso. En el caso del responsable de RR. HH., el hecho de no ofrecer comentarios supone un incumplimiento directo de la política del departamento.
Céntrese en el proceso
La mayoría de las personas y las empresas no están creando sus propios modelos. Por lo tanto, la única oportunidad real de obtener mejores respuestas es proporcionar mejores datos de entrada. Así, Sarah, en el ejemplo anterior, podría incluir lo siguiente en su mensaje:
- La empresa quiere que los directivos ofrezcan comentarios más constructivos.
- Quiero apoyar a Tim, pero también ser firme. Él necesita expresarse con más frecuencia y con más contundencia para avanzar en su carrera.
- No soy una escritora experta, aunque a mucha gente le gusta mi tono desenfadado e informal.
En términos más generales, la IA necesita una gran cantidad de datos específicos de la empresa para ofrecer respuestas adecuadas a las necesidades concretas de esta. Por lo tanto, la pregunta fundamental que deben plantearse los líderes es: «¿Cómo se proporcionó a la IA el contenido confiable, el contexto y las conexiones de datos necesarias para ofrecer buenas respuestas, a gran escala ya un costo razonable?».
Ahí es donde entra en juego la gestión de procesos. De hecho, la gestión de procesos y la IA son la combinación perfecta : unos procesos bien gestionados facilitan tanto la implementación de la IA como la creación de los datos de alta calidad que esta necesita.
Las bases de datos de la mayoría de las empresas son bastante precarias y se deterioran cada día más. Los datos están dispersos y mal definidos, y resulta difícil conectar las diferentes fuentes. Según mi experiencia, las empresas hacen frente a los errores y al desorden mediante lo que yo denomino «fábricas de datos ocultos»: personas que acaban limpiando los datos erróneos una vez que estos se convierten en un problema para ellas.
Estos problemas se derivan directamente de la falta de procesos para construir bases de datos sólidas. Y cuanto más tardan los líderes en abordarlos, mayor se vuelve el problema.
Los líderes deben preguntarse: «¿Cómo proporcionó a la IA el contenido confiable, el contexto y las conexiones de datos necesarias para ofrecer respuestas buenas, a gran escala ya un costo razonable?».
No hay mucho que pueda hacer con respecto a los datos que ya ha creado, pero mejorar su gestión de cara al futuro le reportará beneficios. Esto implica desarrollar procesos con arquitecturas de datos inclusivas, vocabularios compartidos, gestión de identidades, modelos conceptuales, gráficos de conocimiento, estándares elevados para los nuevos contenidos y niveles cada vez mayores de intercambio de datos. Se trata de una tarea de gran envergadura que requiere una inversión considerable. La buena noticia es que unas bases sólidas perduran en el tiempo .
La expresión «mejores procesos» puede parecer un poco abstracta, pero, en realidad, suele referirse a los aspectos concretos que conforman la jornada laboral. Pensemos en alguien que utiliza una herramienta de IA para elaborar un informe. Dispone de sus datos: sus análisis, datos específicos de la empresa, etc. Luego está la herramienta en sí, que podría ser un modelo como Gemini. Y, por último, está lo que cree que el destinatario previsto —el cliente— necesita del resultado. Para ayudar a los empleados a producir un resultado bueno y confiable, las empresas podrían inculcarles el hábito de plantearse tres preguntas antes de pulsar «generar»:
- ¿Qué datos me gustaría introducir en el aviso?
- De esos, ¿cuáles son relativamente fáciles de incluir en el aviso? y
- De todo ello, ¿en qué confio realmente?
Deberían incluir este tercer conjunto en el aviso. (Después, por supuesto, tendrán que leer la respuesta para asegurarse de que cumple los requisitos para considerar «buena»).
Actuar en función de los hechos (y medir lo que realmente importa)
Quizás la expresión más manida en el mundo empresarial sea: «No se puede gestionar lo que no se mide». Sin embargo, a lo largo de mi carrera, este principio parece ser el que más problemas plantea a las empresas. Disponen de demasiados indicadores (la mayoría de ellos mal definidos), los resultados no son aplicables, los propios indicadores no se ajustan bien a los objetivos empresariales y los directivos no son muy hábiles a la hora de interpretarlos.
Cuando se trata de utilizar la IA, sentar bien las bases significa empezar desde el principio y preguntarse continuamente: «¿Qué estamos tratando de lograr?». Para la mayoría de los líderes, las respuestas sinceras hoy en día son: «Estamos tratando de averiguarlo» (o «Estamos tratando de dar la impresión de que vamos por delante de la competencia»). Sin embargo, sus indicadores no concuerdan.
Me parece especialmente esclarecedora una anécdota que cuenta mi ocasional coautor Tom Davenport : el responsable de un proyecto observa que los empleados ahorran tiempo con Copilot , pero no sabe decir qué hacen con ese tiempo ganado. Por lo tanto, no puede citar las esperadas mejoras en la productividad como una ventaja de la IA.
Es un gran error. No tengo nada en contra de la productividad, pero sería una lástima que lo único que una empresa obtuviera de la IA fuera una reducción de plantilla. ¿Y si los empleados no eran más productivos, pero estaban más contentos porque se ha reducido su jornada laboral? ¿O que unas respuestas mejores ahorren tiempo a otro empleado? ¿O que una respuesta aclare una propuesta y la empresa consiga nuevos negocios? Esas posibilidades se ajustan más a «intentar averiguarlo». ¡Pero no encontrarás estos beneficios si no los buscas!
Los indicadores de productividad tratan la IA como una especie de herramienta del tipo «basta con conectarla para obtener beneficios», más parecida a una pistola de clavos que reemplaza al martillo que a la innovación esencialmente nueva que realmente es. Como tal, requiere un proceso de desarrollo y experimentación para descubrir todas las formas en que puede aportar valor. Los indicadores asociados deben reflejar esto.
A largo plazo, los líderes deben preguntarse con regularidad: «¿Qué estamos tratando de lograr?». Deberían aplicar esa pregunta a cada proyecto y preguntarse también si sus organizaciones cuentan con las competencias necesarias para definir los indicadores adecuados, establecer objetivos razonables e interpretar los resultados desde la perspectiva correcta. Recordemos que Amazon tardó nada menos que diez años en obtener sus primeros beneficios.
Los líderes deben adoptar un enfoque basado en el cuadro de mando integral , que abarque la satisfacción del cliente, la calidad de las respuestas, el ritmo y la penetración de la innovación, y los beneficios empresariales. Paralelamente, deben elaborar descripciones que reflejen las experiencias y los sentimientos de las personas. Además, deben profundizar lo suficiente para comprender qué funciona bien y qué no.
El primer paso inmediato es: centrar las métricas en si la IA está proporcionando buenas respuestas y si gusta tanto a los clientes internos como a los externos.
Adopte la mejora continua
Si bien la gestión de procesos proporciona una estructura global, mejorar realmente la calidad de los datos y definir mejores los procesos para que puedan automatizarse mediante la IA requiere numerosas pequeñas mejoras. En la actualidad, existen demasiadas «fábricas de datos» ocultas, traspasos poco confiables entre pasos y una dependencia excesiva del conocimiento tácito como para que las herramientas de IA puedan funcionar de forma inmediata. Incluso la mejor implementación de una nueva IA requerirá ajustes considerables para que funcione.
Ahí es donde entra en juego la mejora continua. Como uno de los dos pilares del famoso Sistema de Producción de Toyota, se trata de una filosofía de gestión que apuesta por la innovación constante en los productos, los servicios, los mecanismos de entrega y los datos. El objetivo es lograr que las cosas funcionen siempre un poco mejor. El cofundador de Intuit, Scott Cook, y el exdecano de la Harvard Business School, Nitin Nohria, lo describieron como «Mejor, más rápido, más barato: cada año, para siempre».
Aunque algunas mejoras pueden ser de gran envergadura (por ejemplo, rediseñar un proceso amplio y multifuncional para adaptarlo a la IA), la mayoría son pequeñas, como formar al personal para que redactar mejores avisos, precisar las descripciones de los puestos de trabajo en los que interviene el ser humano, o incorporar una nueva fuente de datos. Lo importante es la rapidez con la que se avanza en la mejora. La mejora continua también reconoce que el mundo está en constante cambio: los nuevos clientes quieren cosas diferentes, los gustos cambian, las nuevas tecnologías ofrecen nuevas oportunidades, etcétera. ¡Quien no se mantiene al día, se queda atrás!
Para las empresas que hasta ahora han evitado la mejora continua, la pregunta esencial es: «¿Cómo vamos a llevar a cabo estas mejoras?». Si tiene una alternativa mejor, estupenda. Si no es así, considere seriamente la mejora continua.
Una buena forma de empezar y hacerse una idea del potencial de la mejora continua está centrada en un solo departamento (por ejemplo, de unas 100 personas). Junto con su equipo directivo, identifique uno o dos problemas empresariales de larga data, forme a todo el personal en una metodología de mejora como Six Sigma y encargue al departamento que identifique y lleve a cabo 20 proyectos en seis meses. Aún mejor si la mayoría de esos proyectos están relacionados con la inteligencia artificial. A partir de ahí, amplia la iniciativa.
Reconozca que la calidad se consigue a través de las personas
Al fin y al cabo, nada bueno sucede a menos que haya un gran número de personas comprometidas, que pongan todo su corazón, su mente y su alma en el esfuerzo. Lo más gratificante de mi trabajo es ver cómo las personas se interesan por los datos, se empoderan para asumir nuevas funciones y colaboran entre sí para mejorar las cosas.
Por supuesto, millones de personas ya utilizan la IA para ser eficaces y eficientes en el trabajo. A falta de los fundamentos mencionados anteriormente, el progreso logrado hasta la fecha es un tributo a su tenacidad.
Los líderes deben plantearse algunas preguntas difíciles:
- ¿Cómo podemos animar al mayor número posible de personas, incluidos nosotros mismos, a sumarse a esta iniciativa ya buscar formas en las que la IA pueda contribuir a nuestro negocio?
- ¿Existen otras barreras, como incentivos erróneos o estructuras organizativas, que frenan el progreso?
- ¿Cómo es que, quizás de forma inconsciente, no le hemos dado a la IA la oportunidad que se merece?
Estas preguntas son especialmente difíciles. Afortunadamente, el primer paso inmediato está claro. Empezando por usted mismo, anime a las personas a preguntarse: ¿Puede la IA ayudarme a desempeñar mejor mi trabajo? ¿Puede mejorar mi satisfacción laboral? ¿Puede abrirme los ojos a nuevas formas de hacer las cosas? ¿Puedo minimizar aquellos aspectos de mi trabajo que no me gustan? ¿Puede liberarme tiempo para dedicarlo a las cosas que sí me gustan? Si la respuesta a cualquiera de estas preguntas es afirmativa, siga algunos de los pasos iniciales que se indican más arriba.
. . .
Esta llamada a sentar bien las bases era casi inevitable. Hay tanto bombo en torno a la IA y sus defensores han dado a entender que lo único que hay que hacer es abrir su pila tecnológica, incorporar Copilot o un agente, y contar el dinero. Nunca iba a suceder así.
Si lleva más de un par de años en esto, es hora de salir de la rutina. Pero no se limita a comprar una nueva. Reflexione detenidamente sobre los clientes, los datos, las métricas, la mejora continua y su organización. Al mismo tiempo, ponga en práctica las medidas mencionadas. Le ayudará a ganar impulso ya fomentar una visión a más largo plazo.
Leer más sobre Tecnología y análisis o temas relacionados Inteligencia artificial y aprendizaje automático , Gestión de procesos , Análisis y ciencia de datos y Gestión de datos
Thomas C. Redman es el presidente de Data Quality Solutions y autor de Personas y datos: unirse para transformar su negocio (Página de Kogan, 2023).
