Construyendo la organización impulsada por la IA
Por Tim Fountaine, Brian McCarthy y Tamim Saleh
Tecnología
Harvard Business Review
la inteligencia artificial está cambiando de forma el negocio, aunque no al ritmo vertiginoso que muchos suponen. Es cierto que AI ahora está guiando las decisiones sobre todo, desde cosechas hasta préstamos bancarios, y en el horizonte hay prospectos de una vez en el cielo, como un servicio al cliente totalmente automatizado. Las tecnologías que permiten la inteligencia artificial, como las plataformas de desarrollo y la gran capacidad de procesamiento y almacenamiento de datos, están avanzando rápidamente y son cada vez más asequibles. El momento parece maduro para que las empresas aprovechen la inteligencia artificial. De hecho, estimamos que AI agregará $ 13 billones a la economía global durante la próxima década.
Sin embargo, a pesar de la promesa de AI, los esfuerzos de muchas organizaciones con ella se están quedando cortos. Hemos encuestado a miles de ejecutivos acerca de cómo sus empresas usan y organizan la inteligencia artificial y la analítica avanzada, y nuestros datos muestran que solo el 8% de las empresas se involucran en prácticas básicas que apoyan la adopción generalizada. La mayoría de las empresas solo tienen pilotos ad hoc o están aplicando AI en un solo proceso de negocios.
¿Por qué el lento progreso? En el nivel más alto, es un reflejo de una falla en la reconfiguración de la organización. En nuestras encuestas y nuestro trabajo con cientos de clientes, hemos visto que las iniciativas de AI se enfrentan a enormes barreras culturales y organizativas. Pero también hemos visto que los líderes que al principio toman medidas para romper esas barreras pueden capturar efectivamente las oportunidades de AI.
Haciendo el cambio
Uno de los errores más grandes que cometen los líderes es ver la IA como una tecnología plug-and-play con retornos inmediatos. Al decidir poner en marcha algunos proyectos, comienzan a invertir millones en infraestructura de datos, herramientas de software de AI, experiencia en datos y desarrollo de modelos. Algunos de los pilotos logran obtener pequeñas ganancias en los bolsillos de las organizaciones. Pero luego pasan meses o años sin traer las grandes victorias que los ejecutivos esperaban. Las empresas luchan por pasar de los programas piloto a los programas de toda la empresa, y se centran en problemas empresariales discretos, como la mejora de la segmentación de clientes, a grandes desafíos empresariales, como la optimización de todo el recorrido del cliente.
Los líderes también suelen pensar demasiado estrechamente sobre los requisitos de AI. Si bien la tecnología y el talento de vanguardia son ciertamente necesarios, es igualmente importante alinear la cultura, la estructura y las formas de trabajo de una empresa para apoyar la adopción generalizada de AI. Pero en la mayoría de los negocios que no son digitales, las mentalidades tradicionales y las formas de trabajar son contrarias a las necesarias para la IA.
Para escalar la IA, las empresas deben hacer tres turnos:
Del trabajo en silos a la colaboración interdisciplinaria.
La IA tiene el mayor impacto cuando es desarrollada por equipos multifuncionales con una combinación de habilidades y perspectivas. El hecho de que las personas operativas y de negocios trabajen conjuntamente con expertos en análisis se asegurará de que las iniciativas aborden las amplias prioridades de la organización, no solo los problemas empresariales aislados. Los equipos diversos también pueden pensar en los cambios operacionales que pueden requerir las nuevas aplicaciones; es más probable que reconozcan que la introducción de un algoritmo que predice las necesidades de mantenimiento debe ir acompañada de una revisión de los flujos de trabajo de mantenimiento. Y cuando los equipos de desarrollo involucran a los usuarios finales en el diseño de aplicaciones, las posibilidades de adopción aumentan dramáticamente.
Desde la toma de decisiones basada en la experiencia, guiada por el líder hasta la toma de decisiones guiada por los datos en la línea del frente.
Cuando la inteligencia artificial se adopta de manera generalizada, los empleados de la jerarquía aumentarán su propio juicio e intuición con las recomendaciones de los algoritmos para llegar a mejores respuestas que los humanos o las máquinas podrían alcanzar por sí solos. Pero para que este enfoque funcione, las personas de todos los niveles deben confiar en las sugerencias de los algoritmos y sentirse capaces de tomar decisiones, y eso significa abandonar el enfoque tradicional de arriba hacia abajo. Si los empleados tienen que consultar a una persona superior antes de tomar medidas, eso inhibirá el uso de la IA.
Los procesos de decisión cambiaron drásticamente en una organización cuando reemplazó un método manual complejo para programar eventos con un nuevo sistema AI. Históricamente, los planificadores de eventos de la empresa habían usado etiquetas de colores, pins y pegatinas para rastrear los conflictos, las preferencias de los participantes y otras consideraciones. A menudo dependían del instinto y de los aportes de los gerentes superiores, que también operaban según sus instintos, para tomar decisiones. El nuevo sistema analizó rápidamente la amplia gama de permutaciones de programación, utilizando primero un algoritmo para destilar cientos de millones de opciones en millones de escenarios, y luego otro algoritmo para reducir esos millones a solo cientos, clasificando los horarios óptimos para cada participante. Los experimentados planificadores humanos luego aplicaron su experiencia para tomar decisiones finales respaldadas por los datos, sin la necesidad de obtener la opinión de sus líderes. Los planificadores adoptaron la herramienta fácilmente, confiando en su salida porque ayudaron a establecer sus parámetros y restricciones y sabían que ellos mismos harían la llamada final.
Desde rígido y adverso al riesgo hasta ágil, experimental y adaptable.
Las organizaciones deben dejar de lado la idea de que una idea debe ser totalmente desarrollada o una herramienta de negocios debe tener todos los detalles antes de implementarla. En la primera iteración, las aplicaciones de AI rara vez tienen todas las funciones deseadas. Una mentalidad de prueba y aprendizaje replanteará los errores como fuente de descubrimientos, reduciendo el miedo al fracaso. Obtener comentarios tempranos de los usuarios e incorporarlos en la próxima versión permitirá a las empresas corregir problemas menores antes de que se conviertan en problemas costosos. El desarrollo se acelerará, lo que permitirá a los equipos pequeños de IA crear productos mínimos viables en cuestión de semanas en lugar de meses.
Tales cambios fundamentales no son fáciles. Requieren que los líderes preparen, motiven y equipen a la fuerza laboral para hacer un cambio. Pero los líderes primero deben estar preparados ellos mismos. Hemos visto un fracaso tras otro causado por la falta de una comprensión fundamental de la inteligencia artificial entre los altos ejecutivos. (Más adelante, analizaremos cómo las academias de análisis pueden ayudar a los líderes a adquirir esa comprensión).
Preparándose para el éxito
Para que los empleados se incorporen y allanen el camino para el lanzamiento exitoso de AI, los líderes deben dedicar atención temprana a varias tareas:
Explicando por qué.
Una historia convincente ayuda a las organizaciones a comprender la urgencia de las iniciativas de cambio y cómo todas se beneficiarán de ellas. Esto es particularmente crítico con los proyectos de AI, porque el temor de que la AI elimine los trabajos aumenta la resistencia de los empleados.
Los líderes deben proporcionar una visión que reúna a todos en torno a un objetivo común. Los trabajadores deben comprender por qué la inteligencia artificial es importante para el negocio y cómo encajarán en una nueva cultura orientada a la inteligencia artificial. En particular, necesitan la tranquilidad de que la IA mejorará en lugar de disminuir o incluso eliminará sus roles. (Nuestra investigación muestra que la mayoría de los trabajadores deberán adaptarse al uso de AI en lugar de ser reemplazados por AI).
Al compartir su visión, los líderes de la compañía destacaron a los trabajadores que habían puesto a prueba una nueva herramienta de inteligencia artificial que les ayudó a optimizar el surtido de productos de las tiendas y aumentar los ingresos. Eso inspiró a otros trabajadores a imaginar cómo la IA podría aumentar y elevar su desempeño.
Anticipando barreras únicas al cambio.
Algunos obstáculos, como el temor de los trabajadores a volverse obsoletos, son comunes en todas las organizaciones. Pero la cultura de una empresa también puede tener características distintivas que contribuyen a la resistencia. Por ejemplo, si una empresa tiene gerentes de relaciones que se enorgullecen de estar en sintonía con las necesidades de los clientes, pueden rechazar la idea de que una máquina podría tener mejores ideas sobre lo que quieren los clientes e ignorar las recomendaciones de productos personalizadas de una herramienta de AI. Y los gerentes de grandes organizaciones que creen que su estado se basa en la cantidad de personas que supervisan pueden objetar la toma de decisiones descentralizada o la reducción de los informes que AI podría permitir.
En otros casos, los procesos aislados pueden inhibir la adopción generalizada de la IA. Las organizaciones que asignan presupuestos por función o unidad de negocios pueden tener dificultades para reunir equipos ágiles interdisciplinarios, por ejemplo.
Se pueden encontrar algunas soluciones revisando cómo las iniciativas de cambio pasado superaron las barreras. Otros pueden implicar alinear las iniciativas de inteligencia artificial con los valores culturales que parecen ser obstáculos. En una institución financiera con un fuerte énfasis en la banca relacional, por ejemplo, los líderes destacaron la capacidad de AI para mejorar los vínculos con los clientes. El banco creó un folleto para gerentes de relaciones que mostró cómo combinar su experiencia y habilidades con las recomendaciones de productos personalizadas de AI podría mejorar las experiencias de los clientes y aumentar los ingresos y ganancias. El programa de adopción de AI también incluyó un concurso para conversiones de ventas impulsado por el uso de la nueva herramienta; Los logros de los ganadores se mostraron en el boletín mensual del CEO a los empleados.
Una clase relativamente nueva de traductores analíticos expertos puede desempeñar un papel en la identificación de obstáculos. Estas personas unen a los ingenieros de datos y científicos del ámbito técnico con las personas del ámbito empresarial: mercadeo, cadena de suministro, manufactura, personal de riesgos, etc. Los traductores ayudan a garantizar que las aplicaciones de AI desarrolladas aborden las necesidades comerciales y que la adopción se realice sin problemas. Al inicio del proceso de implementación, pueden encuestar a los usuarios finales, observar sus hábitos y estudiar los flujos de trabajo para diagnosticar y solucionar problemas.
Comprender las barreras al cambio no solo puede informar a los líderes sobre cómo comunicarse con la fuerza laboral, sino también ayudarlos a determinar dónde invertir, qué iniciativas de AI son más factibles, qué capacitación debería ofrecerse, qué incentivos pueden ser necesarios y más.
Presupuestar tanto para integración y adopción como para tecnología (si no más).
En una de nuestras encuestas, casi el 90% de las compañías que habían participado en prácticas de escalamiento exitosas habían gastado más de la mitad de sus presupuestos analíticos en actividades que impulsaron la adopción, como el rediseño del flujo de trabajo, la comunicación y la capacitación. Solo el 23% de las empresas restantes habían comprometido recursos similares.
Equilibrio de viabilidad, inversión de tiempo y valor.
Las iniciativas de seguimiento que son excesivamente difíciles de implementar o que requieren más de un año para lanzar pueden sabotear los proyectos de AI actuales y futuros.
Las organizaciones no necesitan centrarse únicamente en ganancias rápidas; Deben desarrollar una cartera de iniciativas con diferentes horizontes temporales. Los procesos automatizados que no requieren intervención humana, como la detección de fraudes asistida por AI, pueden ofrecer un rendimiento en meses, mientras que los proyectos que requieren participación humana, como el servicio al cliente con AI, pueden dar sus frutos durante un período más prolongado. La priorización debe basarse en una visión a largo plazo (generalmente de tres años) y tener en cuenta cómo se pueden combinar varias iniciativas con diferentes líneas de tiempo para maximizar el valor. Por ejemplo, para lograr una visión de los clientes lo suficientemente detallada como para permitir que AI realice microsegmentación, es posible que una empresa necesite configurar una serie de iniciativas de ventas y marketing. Algunas, como las ofertas dirigidas, pueden ofrecer valor en unos pocos meses, mientras que puede llevar de 12 a 18 meses para que el conjunto completo de capacidades logre un impacto total.
Un minorista de Asia Pacífico determinó que una iniciativa de AI para optimizar el espacio en el piso y la colocación del inventario no produciría su valor completo a menos que la empresa reacondicionara todas sus tiendas, reasignando el espacio para cada categoría de productos. Después de mucho debate, los ejecutivos de la empresa decidieron que el proyecto era lo suficientemente importante para que la futura rentabilidad continuara, pero no sin dividirlo en dos. La primera parte produjo una herramienta de inteligencia artificial que daba recomendaciones a los gerentes de las tiendas para algunos artículos incrementales que se venderían bien en sus puntos de venta. La herramienta proporcionó solo una pequeña fracción del rendimiento total anticipado, pero los gerentes pudieron obtener los nuevos artículos en las tiendas de inmediato, demostrando los beneficios del proyecto y generando entusiasmo por el futuro viaje de varios años.
Organizando para la escala
Hay mucho debate sobre dónde deberían residir las capacidades de inteligencia artificial y analítica dentro de las organizaciones. A menudo, los líderes simplemente preguntan: “¿Qué modelo organizativo funciona mejor?” Y luego, después de escuchar lo que tuvo éxito en otras compañías, haga una de estas tres cosas: consolide la mayoría de las capacidades analíticas y de inteligencia artificial dentro de un “centro” central; descentralizarlos e integrarlos principalmente en las unidades de negocio (“los radios”); o distribúyalos entre ambos, utilizando un modelo híbrido ("concentrador y radio"). Descubrimos que ninguno de estos modelos es siempre mejor que los otros para alcanzar la escala de AI; La elección correcta depende de la situación individual de una empresa.
El hub
Un pequeño puñado de responsabilidades siempre es mejor manejado por un centro y liderado por el jefe de analítica o el jefe de datos. Estos incluyen el gobierno de los datos, la estrategia de reclutamiento y entrenamiento de la IA, y el trabajo con proveedores externos de datos y servicios y software de AI. Los centros deben fomentar el talento de la IA, crear comunidades donde los expertos de la IA puedan compartir las mejores prácticas y establecer procesos para el desarrollo de la IA en toda la organización. Nuestra investigación muestra que las compañías que han implementado la IA en gran escala tienen tres veces más probabilidades que sus pares de tener un centro y 2.5 veces más probabilidades de tener una metodología clara para crear modelos, interpretar ideas y desplegar nuevas capacidades de AI.
Los centros también deben ser responsables de los sistemas y estándares relacionados con la IA. Estos deben ser impulsados por las necesidades de las iniciativas de una empresa, lo que significa que deben desarrollarse gradualmente, en lugar de establecerse de una sola vez, antes de que se hayan determinado los casos de negocios. Hemos visto que muchas organizaciones desperdician tiempo y dinero significativos, gastando cientos de millones de dólares, por adelantado en proyectos de integración y limpieza de datos en toda la empresa, solo para abortar esos esfuerzos a mitad de camino, sin muchos o ningún beneficio.
En contraste, cuando un banco europeo descubrió que las estrategias de gestión de datos en conflicto estaban obstaculizando su desarrollo de nuevas herramientas de inteligencia artificial, adoptó un enfoque más lento, al hacer un plan para unificar su arquitectura y gestión de datos en los próximos cuatro años, ya que creó varios casos comerciales Por su transformación de la IA. Se espera que este programa multifase, que también incluye un rediseño organizativo y una estrategia de talento revisada, tenga un impacto anual de más de $900 millones.
Los radios.
Otro puñado de responsabilidades casi siempre debe ser propiedad de los radios, porque son las más cercanas a las que usarán los sistemas de inteligencia artificial. Entre ellas se encuentran las tareas relacionadas con la adopción, que incluyen la capacitación del usuario final, el rediseño del flujo de trabajo, los programas de incentivos, la gestión del rendimiento y el seguimiento del impacto.
Para alentar a los clientes a que adopten los servicios habilitados para la inteligencia artificial que ofrece su equipo inteligente y conectado, la organización de ventas y servicio de un fabricante creó un "equipo SWAT" que respaldaba a los clientes que usaban el producto y desarrolló un plan de precios para impulsar la adopción. Este trabajo es claramente la clave de un rayo y no se puede delegar en un centro de análisis.
La zona gris.
Gran parte del trabajo en transformaciones exitosas de AI cae en un área gris en términos de responsabilidad. Las tareas clave: establecer la dirección de los proyectos de inteligencia artificial, analizar los problemas que resolverán, construir los algoritmos, diseñar las herramientas, probarlos con los usuarios finales, gestionar el cambio y crear la infraestructura de TI de apoyo, pueden ser propiedad de cualquiera de los centros o el habla, compartido por ambos, o compartido con TI. Decidir dónde debe estar la responsabilidad dentro de una organización no es una ciencia exacta, pero debe estar influenciada por tres factores:
La madurez de las capacidades de la IA. Cuando una empresa se encuentra en una etapa temprana de su viaje de inteligencia artificial, a menudo tiene sentido que los ejecutivos analíticos, los científicos de datos, los ingenieros de datos, los diseñadores de interfaces de usuario, los especialistas en visualización que interpretan gráficamente los hallazgos analíticos, y similares, se sienten en un centro y se implementen según sea necesario para los radios Trabajando juntos, estos actores pueden establecer los activos y capacidades de AI de la empresa, como herramientas de análisis comunes, procesos de datos y metodologías de entrega. Pero a medida que el tiempo pasa y los procesos se estandarizan, estos expertos pueden residir dentro de los radios con la misma eficacia (o más).
La complejidad del modelo de negocio. Cuanto mayor sea el número de funciones de negocios, líneas de negocios o geografías que las herramientas de AI soportarán, mayor será la necesidad de crear gremios de expertos en IA (de, por ejemplo, científicos o diseñadores de datos). Las empresas con negocios complejos a menudo consolidan estos gremios en el centro y luego los asignan según sea necesario a las unidades de negocios, funciones o geografías.
El ritmo y nivel de innovación técnica requerido. Cuando necesitan innovar rápidamente, algunas compañías colocan más estrategias y capacidades de áreas grises en el centro, para que puedan controlar mejor los cambios en la industria y la tecnología y desplegar rápidamente los recursos de inteligencia artificial para evitar los desafíos competitivos.
Volvamos a las dos instituciones financieras que discutimos anteriormente. Ambos enfrentaron presiones competitivas que requerían una rápida innovación. Sin embargo, su madurez analítica y complejidad empresarial diferían.
La institución que colocó a sus equipos de análisis dentro de su centro tenía un modelo de negocio mucho más complejo y una madurez de AI relativamente baja. Su experiencia en inteligencia artificial existente era principalmente en la gestión de riesgos. Al concentrar sus datos científicos, ingenieros y muchos otros expertos en áreas grises dentro del centro, la compañía se aseguró de que todas las unidades de negocios y funciones pudieran acceder rápidamente a los conocimientos esenciales cuando fuera necesario.
La segunda institución financiera tenía un modelo de negocio mucho más simple que involucraba la especialización en menos servicios financieros. Este banco también tenía una gran experiencia y experiencia en inteligencia artificial. Así que fue capaz de descentralizar su talento de inteligencia artificial, incorporando a muchos de sus expertos en análisis, estrategia y tecnología de áreas grises dentro de los radios de las unidades de negocios.
Como sugieren estos ejemplos, parte del arte está involucrado en decidir dónde deben vivir las responsabilidades. Cada organización tiene capacidades distintivas y presiones competitivas, y los tres factores clave deben considerarse en su totalidad, en lugar de individualmente. Por ejemplo, una organización puede tener una alta complejidad empresarial y necesitar una innovación muy rápida (lo que sugiere que debería transferir más responsabilidades al centro), pero también tiene capacidades de AI muy maduras (lo que sugiere que debería pasar a los radios). Sus líderes tendrían que sopesar la importancia relativa de los tres factores para determinar dónde, en general, se desplegaría el talento de manera más efectiva. Los niveles de talento (un elemento de la madurez de la IA) a menudo tienen una gran influencia en la decisión. ¿Cuenta la organización con suficientes expertos en datos que, si los traslada permanentemente a los radios, aún podría satisfacer las necesidades de todas las unidades de negocios, funciones y geografías? Si no es así, probablemente sería mejor alojarlos en el centro y compartirlos en toda la organización.
Supervisión y ejecución.
Si bien la distribución de la AI y las responsabilidades analíticas varían de una organización a otra, las que amplían la IA tienen dos cosas en común:
Una coalición gobernante de líderes de negocios, TI y análisis. La integración total de la IA es un largo viaje. La creación de un grupo de trabajo conjunto para supervisarlo garantizará que las tres funciones colaboren y compartan la responsabilidad, independientemente de cómo se dividan los roles y las responsabilidades. Este grupo, que a menudo es convocado por el director de análisis, también puede ser instrumental en la creación de un impulso para las iniciativas de inteligencia artificial, especialmente desde el principio.
Equipos de ejecución basados en asignaciones. Las organizaciones que amplían la IA tienen el doble de probabilidades de establecer equipos interdisciplinarios dentro de los portavoces. Tales equipos reúnen una diversidad de perspectivas y solicitan aportes del personal de primera línea a medida que construyen, implementan y monitorean las nuevas capacidades de AI. Los equipos generalmente se reúnen al comienzo de cada iniciativa y obtienen habilidades tanto del centro como de los radios. En general, cada uno incluye al gerente a cargo del éxito de la nueva herramienta AI (el "propietario del producto"), traductores, arquitectos de datos, ingenieros y científicos, diseñadores, especialistas en visualización y analistas de negocios. Estos equipos abordan los problemas de implementación temprano y extraen valor más rápido.
Educar a todos
Para garantizar la adopción de la inteligencia artificial, las empresas deben educar a todos, desde los principales líderes hacia abajo. Con este fin, algunos están lanzando academias internas de inteligencia artificial, que generalmente incorporan trabajo en el aula (en línea o en persona), talleres, capacitación en el trabajo e incluso visitas a sitios con experiencia de colegas de la industria. La mayoría de las academias contratan inicialmente profesores externos para redactar los planes de estudio y ofrecer capacitación, pero también suelen implementar procesos para desarrollar capacidades internas.
Cada academia es diferente, pero la mayoría ofrece cuatro tipos amplios de instrucción:
Liderazgo.
La mayoría de las academias se esfuerzan por brindarles a los altos ejecutivos y líderes de unidades de negocios un alto nivel de comprensión de cómo funciona la IA y las formas de identificar y priorizar las oportunidades de la IA. También proporcionan discusiones sobre el impacto en los roles de los trabajadores, las barreras para la adopción y el desarrollo del talento, y ofrecen orientación para inculcar los cambios culturales subyacentes requeridos.
Analítica.
Aquí, el enfoque está en afilar constantemente las habilidades duras y blandas de los científicos de datos, ingenieros, arquitectos y otros empleados que son responsables del análisis de datos, el gobierno de los datos y la construcción de las soluciones de inteligencia artificial.
Traductor.
Los traductores de análisis a menudo provienen del personal de negocios y necesitan capacitación técnica fundamental, por ejemplo, sobre cómo aplicar enfoques analíticos a los problemas de negocios y desarrollar casos de uso de inteligencia artificial. Sus instrucciones pueden incluir tutoriales en línea, experiencia práctica con los traductores veteranos y un "examen" final en el que deben implementar con éxito una iniciativa de AI.
Usuario final.
Los trabajadores de primera línea pueden necesitar solo una introducción general a las nuevas herramientas de inteligencia artificial, seguidas de capacitación en el trabajo y capacitación sobre cómo usarlas. Los responsables de la toma de decisiones estratégicas, como los vendedores y el personal de finanzas, pueden requerir sesiones de capacitación de alto nivel que incorporen escenarios empresariales reales en los que nuevas herramientas mejoren las decisiones sobre, por ejemplo, lanzamientos de productos.
Reforzando el cambio
La mayoría de las transformaciones de IA tardan entre 18 y 36 meses en completarse, mientras que algunas tardan hasta cinco años. Para evitar que pierdan impulso, los líderes deben hacer cuatro cosas:
Camina la charla.
El modelado de roles es esencial. Para empezar, los líderes pueden demostrar su compromiso con la IA asistiendo a la capacitación de la academia.
Pero también deben alentar activamente nuevas formas de trabajar. La inteligencia artificial requiere experimentación y, a menudo, las iteraciones tempranas no funcionan según lo planeado. Cuando eso sucede, los líderes deben resaltar lo que se aprendió de los pilotos. Eso ayudará a fomentar la adecuada toma de riesgos.
Los modelos de conducta más efectivos que hemos visto son humildes. Hacen preguntas y refuerzan el valor de las diversas perspectivas. Se reúnen regularmente con el personal para discutir los datos y hacen preguntas como "¿Con qué frecuencia tenemos razón?" Y "¿Qué datos tenemos para respaldar la decisión de hoy?"
El CEO de un minorista especializado que conocemos es un buen ejemplo. En cada reunión a la que asiste, invita a los asistentes a compartir sus experiencias y opiniones, y ofrece la suya en último lugar. También hace tiempo para reunirse con los empleados de análisis y negocios cada pocas semanas para ver lo que han hecho, ya sea lanzando un nuevo piloto o ampliando uno existente.
Hacer a las empresas responsables.
No es raro ver que el personal de análisis hecho los propietarios de productos de AI. Sin embargo, dado que los análisis son simplemente un medio para resolver problemas de negocios, son las unidades de negocios las que deben liderar los proyectos y ser responsables de su éxito. La propiedad debe asignarse a alguien del negocio relevante, quien debe asignar roles y guiar un proyecto de principio a fin. A veces, las organizaciones asignan diferentes propietarios en diferentes puntos del ciclo de vida del desarrollo (por ejemplo, para pruebas de valor, implementación y escala). Eso también es un error, ya que puede dar lugar a errores o oportunidades perdidas.
Un cuadro de mando que captura las métricas de rendimiento del proyecto para todos los interesados es una excelente manera de alinear los objetivos de los equipos de análisis y de negocios. Una compañía aérea, por ejemplo, usó un cuadro de mandos compartido para medir la tasa de adopción, la velocidad a la capacidad total y los resultados comerciales para una solución de AI que optimizó los precios y las reservas.
Seguir y facilitar la adopción.
La comparación de los resultados de las decisiones tomadas con y sin AI puede alentar a los empleados a usarlo. Por ejemplo, en una compañía de productos básicos, los operadores se dieron cuenta de que sus pronósticos no respaldados por AI generalmente eran correctos solo la mitad del tiempo, no mejor que adivinar. Ese descubrimiento los hizo más abiertos a las herramientas de inteligencia artificial para mejorar los pronósticos.
Proporcionar incentivos para el cambio.
El reconocimiento inspira a los empleados a largo plazo. El CEO del minorista especializado comienza las reuniones destacando a un empleado (como un gerente de producto, un científico de datos o un trabajador de primera línea) que ha ayudado a hacer que el programa de inteligencia artificial de la compañía sea un éxito. En el gran conglomerado minorista, el CEO creó nuevos roles para los empleados con mejor desempeño que participaron en la transformación de AI. Por ejemplo, promovió al gerente de categoría que ayudó a probar la solución de optimización durante su prueba piloto para liderar su lanzamiento en las tiendas, demostrando visiblemente el impacto en la carrera que podría tener la adopción de AI.
Finalmente, las empresas deben verificar que los incentivos de los empleados estén realmente alineados con el uso de AI. Este no fue el caso en un minorista de ladrillo y mortero que había desarrollado un modelo de AI para optimizar los precios de descuento para que pudiera eliminar las existencias antiguas. El modelo reveló que a veces era más rentable disponer de acciones antiguas que venderlas con un descuento, pero el personal de la tienda tenía incentivos para vender todo, incluso con grandes descuentos. Debido a que las recomendaciones de AI contradecían su práctica estándar y recompensada, los empleados sospecharon de la herramienta y la ignoraron. Dado que sus incentivos de ventas también estaban estrechamente vinculados a los contratos y no podían cambiarse fácilmente, la organización finalmente actualizó el modelo de AI para reconocer el compromiso entre las ganancias y los incentivos, lo que ayudó a impulsar la adopción de los usuarios y elevó el balance final.
CONCLUSIÓN
Las acciones que promueven la escala en la IA crean un círculo virtuoso. El paso de equipos funcionales a equipos interdisciplinarios inicialmente reúne las diversas habilidades, perspectivas y las opiniones del usuario necesarias para construir herramientas efectivas. Con el tiempo, los trabajadores de toda la organización absorben nuevas prácticas de colaboración. A medida que trabajan más estrechamente con colegas en otras funciones y geografías, los empleados comienzan a pensar en grande: pasan de tratar de resolver problemas discretos a reimaginar completamente los modelos operativos y de negocios. La velocidad de la innovación aumenta a medida que el resto de la organización comienza a adoptar los enfoques de prueba y aprendizaje que impulsaron con éxito a los pilotos.
A medida que las herramientas de inteligencia artificial se extienden por toda la organización, las personas más cercanas a la acción se vuelven cada vez más capaces de tomar decisiones una vez que toman las de arriba, aplanando las jerarquías organizacionales. Eso fomenta una mayor colaboración y un pensamiento aún más grande.
Las formas en que se puede utilizar la inteligencia artificial para aumentar la toma de decisiones siguen expandiéndose Las nuevas aplicaciones crearán cambios fundamentales y, a veces, difíciles en los flujos de trabajo, roles y cultura, que los líderes necesitarán para guiar a sus organizaciones con cuidado. Las empresas que sobresalen en la implementación de la inteligencia artificial en toda la organización se encontrarán con una gran ventaja en un mundo donde los humanos y las máquinas que trabajan juntos superan a los humanos o las máquinas que trabajan por su cuenta.
Una versión de este artículo apareció en la edición de julio-agosto de 2019 (pp. 62-73) de Harvard Business Review.
Tim Fountaine es socio en la oficina de McKinsey en Sydney y dirige QuantumBlack, una firma de análisis avanzado propiedad de McKinsey, en Australia.
Brian McCarthy es un socio en la oficina de McKinsey en Atlanta y reúne la agenda de desarrollo de conocimiento para McKinsey Analytics.
Tamim Saleh es socio principal de la oficina de McKinsey en Londres y dirige McKinsey Analytics en Europa.
Tecnología
Harvard Business Review
la inteligencia artificial está cambiando de forma el negocio, aunque no al ritmo vertiginoso que muchos suponen. Es cierto que AI ahora está guiando las decisiones sobre todo, desde cosechas hasta préstamos bancarios, y en el horizonte hay prospectos de una vez en el cielo, como un servicio al cliente totalmente automatizado. Las tecnologías que permiten la inteligencia artificial, como las plataformas de desarrollo y la gran capacidad de procesamiento y almacenamiento de datos, están avanzando rápidamente y son cada vez más asequibles. El momento parece maduro para que las empresas aprovechen la inteligencia artificial. De hecho, estimamos que AI agregará $ 13 billones a la economía global durante la próxima década.
Sin embargo, a pesar de la promesa de AI, los esfuerzos de muchas organizaciones con ella se están quedando cortos. Hemos encuestado a miles de ejecutivos acerca de cómo sus empresas usan y organizan la inteligencia artificial y la analítica avanzada, y nuestros datos muestran que solo el 8% de las empresas se involucran en prácticas básicas que apoyan la adopción generalizada. La mayoría de las empresas solo tienen pilotos ad hoc o están aplicando AI en un solo proceso de negocios.
¿Por qué el lento progreso? En el nivel más alto, es un reflejo de una falla en la reconfiguración de la organización. En nuestras encuestas y nuestro trabajo con cientos de clientes, hemos visto que las iniciativas de AI se enfrentan a enormes barreras culturales y organizativas. Pero también hemos visto que los líderes que al principio toman medidas para romper esas barreras pueden capturar efectivamente las oportunidades de AI.
Haciendo el cambio
Uno de los errores más grandes que cometen los líderes es ver la IA como una tecnología plug-and-play con retornos inmediatos. Al decidir poner en marcha algunos proyectos, comienzan a invertir millones en infraestructura de datos, herramientas de software de AI, experiencia en datos y desarrollo de modelos. Algunos de los pilotos logran obtener pequeñas ganancias en los bolsillos de las organizaciones. Pero luego pasan meses o años sin traer las grandes victorias que los ejecutivos esperaban. Las empresas luchan por pasar de los programas piloto a los programas de toda la empresa, y se centran en problemas empresariales discretos, como la mejora de la segmentación de clientes, a grandes desafíos empresariales, como la optimización de todo el recorrido del cliente.
Los líderes también suelen pensar demasiado estrechamente sobre los requisitos de AI. Si bien la tecnología y el talento de vanguardia son ciertamente necesarios, es igualmente importante alinear la cultura, la estructura y las formas de trabajo de una empresa para apoyar la adopción generalizada de AI. Pero en la mayoría de los negocios que no son digitales, las mentalidades tradicionales y las formas de trabajar son contrarias a las necesarias para la IA.
Para escalar la IA, las empresas deben hacer tres turnos:
Del trabajo en silos a la colaboración interdisciplinaria.
La IA tiene el mayor impacto cuando es desarrollada por equipos multifuncionales con una combinación de habilidades y perspectivas. El hecho de que las personas operativas y de negocios trabajen conjuntamente con expertos en análisis se asegurará de que las iniciativas aborden las amplias prioridades de la organización, no solo los problemas empresariales aislados. Los equipos diversos también pueden pensar en los cambios operacionales que pueden requerir las nuevas aplicaciones; es más probable que reconozcan que la introducción de un algoritmo que predice las necesidades de mantenimiento debe ir acompañada de una revisión de los flujos de trabajo de mantenimiento. Y cuando los equipos de desarrollo involucran a los usuarios finales en el diseño de aplicaciones, las posibilidades de adopción aumentan dramáticamente.
Desde la toma de decisiones basada en la experiencia, guiada por el líder hasta la toma de decisiones guiada por los datos en la línea del frente.
Cuando la inteligencia artificial se adopta de manera generalizada, los empleados de la jerarquía aumentarán su propio juicio e intuición con las recomendaciones de los algoritmos para llegar a mejores respuestas que los humanos o las máquinas podrían alcanzar por sí solos. Pero para que este enfoque funcione, las personas de todos los niveles deben confiar en las sugerencias de los algoritmos y sentirse capaces de tomar decisiones, y eso significa abandonar el enfoque tradicional de arriba hacia abajo. Si los empleados tienen que consultar a una persona superior antes de tomar medidas, eso inhibirá el uso de la IA.
Los procesos de decisión cambiaron drásticamente en una organización cuando reemplazó un método manual complejo para programar eventos con un nuevo sistema AI. Históricamente, los planificadores de eventos de la empresa habían usado etiquetas de colores, pins y pegatinas para rastrear los conflictos, las preferencias de los participantes y otras consideraciones. A menudo dependían del instinto y de los aportes de los gerentes superiores, que también operaban según sus instintos, para tomar decisiones. El nuevo sistema analizó rápidamente la amplia gama de permutaciones de programación, utilizando primero un algoritmo para destilar cientos de millones de opciones en millones de escenarios, y luego otro algoritmo para reducir esos millones a solo cientos, clasificando los horarios óptimos para cada participante. Los experimentados planificadores humanos luego aplicaron su experiencia para tomar decisiones finales respaldadas por los datos, sin la necesidad de obtener la opinión de sus líderes. Los planificadores adoptaron la herramienta fácilmente, confiando en su salida porque ayudaron a establecer sus parámetros y restricciones y sabían que ellos mismos harían la llamada final.
Desde rígido y adverso al riesgo hasta ágil, experimental y adaptable.
Las organizaciones deben dejar de lado la idea de que una idea debe ser totalmente desarrollada o una herramienta de negocios debe tener todos los detalles antes de implementarla. En la primera iteración, las aplicaciones de AI rara vez tienen todas las funciones deseadas. Una mentalidad de prueba y aprendizaje replanteará los errores como fuente de descubrimientos, reduciendo el miedo al fracaso. Obtener comentarios tempranos de los usuarios e incorporarlos en la próxima versión permitirá a las empresas corregir problemas menores antes de que se conviertan en problemas costosos. El desarrollo se acelerará, lo que permitirá a los equipos pequeños de IA crear productos mínimos viables en cuestión de semanas en lugar de meses.
Tales cambios fundamentales no son fáciles. Requieren que los líderes preparen, motiven y equipen a la fuerza laboral para hacer un cambio. Pero los líderes primero deben estar preparados ellos mismos. Hemos visto un fracaso tras otro causado por la falta de una comprensión fundamental de la inteligencia artificial entre los altos ejecutivos. (Más adelante, analizaremos cómo las academias de análisis pueden ayudar a los líderes a adquirir esa comprensión).
Preparándose para el éxito
Para que los empleados se incorporen y allanen el camino para el lanzamiento exitoso de AI, los líderes deben dedicar atención temprana a varias tareas:
Explicando por qué.
Una historia convincente ayuda a las organizaciones a comprender la urgencia de las iniciativas de cambio y cómo todas se beneficiarán de ellas. Esto es particularmente crítico con los proyectos de AI, porque el temor de que la AI elimine los trabajos aumenta la resistencia de los empleados.
Los líderes deben proporcionar una visión que reúna a todos en torno a un objetivo común. Los trabajadores deben comprender por qué la inteligencia artificial es importante para el negocio y cómo encajarán en una nueva cultura orientada a la inteligencia artificial. En particular, necesitan la tranquilidad de que la IA mejorará en lugar de disminuir o incluso eliminará sus roles. (Nuestra investigación muestra que la mayoría de los trabajadores deberán adaptarse al uso de AI en lugar de ser reemplazados por AI).
- En la mayoría de las empresas que no nacen en formato digital, las mentalidades van en contra de las necesarias para la inteligencia artificial.
Al compartir su visión, los líderes de la compañía destacaron a los trabajadores que habían puesto a prueba una nueva herramienta de inteligencia artificial que les ayudó a optimizar el surtido de productos de las tiendas y aumentar los ingresos. Eso inspiró a otros trabajadores a imaginar cómo la IA podría aumentar y elevar su desempeño.
Anticipando barreras únicas al cambio.
Algunos obstáculos, como el temor de los trabajadores a volverse obsoletos, son comunes en todas las organizaciones. Pero la cultura de una empresa también puede tener características distintivas que contribuyen a la resistencia. Por ejemplo, si una empresa tiene gerentes de relaciones que se enorgullecen de estar en sintonía con las necesidades de los clientes, pueden rechazar la idea de que una máquina podría tener mejores ideas sobre lo que quieren los clientes e ignorar las recomendaciones de productos personalizadas de una herramienta de AI. Y los gerentes de grandes organizaciones que creen que su estado se basa en la cantidad de personas que supervisan pueden objetar la toma de decisiones descentralizada o la reducción de los informes que AI podría permitir.
En otros casos, los procesos aislados pueden inhibir la adopción generalizada de la IA. Las organizaciones que asignan presupuestos por función o unidad de negocios pueden tener dificultades para reunir equipos ágiles interdisciplinarios, por ejemplo.
Se pueden encontrar algunas soluciones revisando cómo las iniciativas de cambio pasado superaron las barreras. Otros pueden implicar alinear las iniciativas de inteligencia artificial con los valores culturales que parecen ser obstáculos. En una institución financiera con un fuerte énfasis en la banca relacional, por ejemplo, los líderes destacaron la capacidad de AI para mejorar los vínculos con los clientes. El banco creó un folleto para gerentes de relaciones que mostró cómo combinar su experiencia y habilidades con las recomendaciones de productos personalizadas de AI podría mejorar las experiencias de los clientes y aumentar los ingresos y ganancias. El programa de adopción de AI también incluyó un concurso para conversiones de ventas impulsado por el uso de la nueva herramienta; Los logros de los ganadores se mostraron en el boletín mensual del CEO a los empleados.
Una clase relativamente nueva de traductores analíticos expertos puede desempeñar un papel en la identificación de obstáculos. Estas personas unen a los ingenieros de datos y científicos del ámbito técnico con las personas del ámbito empresarial: mercadeo, cadena de suministro, manufactura, personal de riesgos, etc. Los traductores ayudan a garantizar que las aplicaciones de AI desarrolladas aborden las necesidades comerciales y que la adopción se realice sin problemas. Al inicio del proceso de implementación, pueden encuestar a los usuarios finales, observar sus hábitos y estudiar los flujos de trabajo para diagnosticar y solucionar problemas.
Comprender las barreras al cambio no solo puede informar a los líderes sobre cómo comunicarse con la fuerza laboral, sino también ayudarlos a determinar dónde invertir, qué iniciativas de AI son más factibles, qué capacitación debería ofrecerse, qué incentivos pueden ser necesarios y más.
Presupuestar tanto para integración y adopción como para tecnología (si no más).
En una de nuestras encuestas, casi el 90% de las compañías que habían participado en prácticas de escalamiento exitosas habían gastado más de la mitad de sus presupuestos analíticos en actividades que impulsaron la adopción, como el rediseño del flujo de trabajo, la comunicación y la capacitación. Solo el 23% de las empresas restantes habían comprometido recursos similares.
- Los gerentes de relaciones pueden rechazar la idea de que una máquina sabe lo que quieren los clientes.
Equilibrio de viabilidad, inversión de tiempo y valor.
Las iniciativas de seguimiento que son excesivamente difíciles de implementar o que requieren más de un año para lanzar pueden sabotear los proyectos de AI actuales y futuros.
Las organizaciones no necesitan centrarse únicamente en ganancias rápidas; Deben desarrollar una cartera de iniciativas con diferentes horizontes temporales. Los procesos automatizados que no requieren intervención humana, como la detección de fraudes asistida por AI, pueden ofrecer un rendimiento en meses, mientras que los proyectos que requieren participación humana, como el servicio al cliente con AI, pueden dar sus frutos durante un período más prolongado. La priorización debe basarse en una visión a largo plazo (generalmente de tres años) y tener en cuenta cómo se pueden combinar varias iniciativas con diferentes líneas de tiempo para maximizar el valor. Por ejemplo, para lograr una visión de los clientes lo suficientemente detallada como para permitir que AI realice microsegmentación, es posible que una empresa necesite configurar una serie de iniciativas de ventas y marketing. Algunas, como las ofertas dirigidas, pueden ofrecer valor en unos pocos meses, mientras que puede llevar de 12 a 18 meses para que el conjunto completo de capacidades logre un impacto total.
Un minorista de Asia Pacífico determinó que una iniciativa de AI para optimizar el espacio en el piso y la colocación del inventario no produciría su valor completo a menos que la empresa reacondicionara todas sus tiendas, reasignando el espacio para cada categoría de productos. Después de mucho debate, los ejecutivos de la empresa decidieron que el proyecto era lo suficientemente importante para que la futura rentabilidad continuara, pero no sin dividirlo en dos. La primera parte produjo una herramienta de inteligencia artificial que daba recomendaciones a los gerentes de las tiendas para algunos artículos incrementales que se venderían bien en sus puntos de venta. La herramienta proporcionó solo una pequeña fracción del rendimiento total anticipado, pero los gerentes pudieron obtener los nuevos artículos en las tiendas de inmediato, demostrando los beneficios del proyecto y generando entusiasmo por el futuro viaje de varios años.
Organizando para la escala
Hay mucho debate sobre dónde deberían residir las capacidades de inteligencia artificial y analítica dentro de las organizaciones. A menudo, los líderes simplemente preguntan: “¿Qué modelo organizativo funciona mejor?” Y luego, después de escuchar lo que tuvo éxito en otras compañías, haga una de estas tres cosas: consolide la mayoría de las capacidades analíticas y de inteligencia artificial dentro de un “centro” central; descentralizarlos e integrarlos principalmente en las unidades de negocio (“los radios”); o distribúyalos entre ambos, utilizando un modelo híbrido ("concentrador y radio"). Descubrimos que ninguno de estos modelos es siempre mejor que los otros para alcanzar la escala de AI; La elección correcta depende de la situación individual de una empresa.
- Las empresas con buenas prácticas de escalamiento gastaron la mitad de sus presupuestos analíticos en adopción.
El hub
Un pequeño puñado de responsabilidades siempre es mejor manejado por un centro y liderado por el jefe de analítica o el jefe de datos. Estos incluyen el gobierno de los datos, la estrategia de reclutamiento y entrenamiento de la IA, y el trabajo con proveedores externos de datos y servicios y software de AI. Los centros deben fomentar el talento de la IA, crear comunidades donde los expertos de la IA puedan compartir las mejores prácticas y establecer procesos para el desarrollo de la IA en toda la organización. Nuestra investigación muestra que las compañías que han implementado la IA en gran escala tienen tres veces más probabilidades que sus pares de tener un centro y 2.5 veces más probabilidades de tener una metodología clara para crear modelos, interpretar ideas y desplegar nuevas capacidades de AI.
Los centros también deben ser responsables de los sistemas y estándares relacionados con la IA. Estos deben ser impulsados por las necesidades de las iniciativas de una empresa, lo que significa que deben desarrollarse gradualmente, en lugar de establecerse de una sola vez, antes de que se hayan determinado los casos de negocios. Hemos visto que muchas organizaciones desperdician tiempo y dinero significativos, gastando cientos de millones de dólares, por adelantado en proyectos de integración y limpieza de datos en toda la empresa, solo para abortar esos esfuerzos a mitad de camino, sin muchos o ningún beneficio.
En contraste, cuando un banco europeo descubrió que las estrategias de gestión de datos en conflicto estaban obstaculizando su desarrollo de nuevas herramientas de inteligencia artificial, adoptó un enfoque más lento, al hacer un plan para unificar su arquitectura y gestión de datos en los próximos cuatro años, ya que creó varios casos comerciales Por su transformación de la IA. Se espera que este programa multifase, que también incluye un rediseño organizativo y una estrategia de talento revisada, tenga un impacto anual de más de $900 millones.
Los radios.
Otro puñado de responsabilidades casi siempre debe ser propiedad de los radios, porque son las más cercanas a las que usarán los sistemas de inteligencia artificial. Entre ellas se encuentran las tareas relacionadas con la adopción, que incluyen la capacitación del usuario final, el rediseño del flujo de trabajo, los programas de incentivos, la gestión del rendimiento y el seguimiento del impacto.
Para alentar a los clientes a que adopten los servicios habilitados para la inteligencia artificial que ofrece su equipo inteligente y conectado, la organización de ventas y servicio de un fabricante creó un "equipo SWAT" que respaldaba a los clientes que usaban el producto y desarrolló un plan de precios para impulsar la adopción. Este trabajo es claramente la clave de un rayo y no se puede delegar en un centro de análisis.
La zona gris.
Gran parte del trabajo en transformaciones exitosas de AI cae en un área gris en términos de responsabilidad. Las tareas clave: establecer la dirección de los proyectos de inteligencia artificial, analizar los problemas que resolverán, construir los algoritmos, diseñar las herramientas, probarlos con los usuarios finales, gestionar el cambio y crear la infraestructura de TI de apoyo, pueden ser propiedad de cualquiera de los centros o el habla, compartido por ambos, o compartido con TI. Decidir dónde debe estar la responsabilidad dentro de una organización no es una ciencia exacta, pero debe estar influenciada por tres factores:
La madurez de las capacidades de la IA. Cuando una empresa se encuentra en una etapa temprana de su viaje de inteligencia artificial, a menudo tiene sentido que los ejecutivos analíticos, los científicos de datos, los ingenieros de datos, los diseñadores de interfaces de usuario, los especialistas en visualización que interpretan gráficamente los hallazgos analíticos, y similares, se sienten en un centro y se implementen según sea necesario para los radios Trabajando juntos, estos actores pueden establecer los activos y capacidades de AI de la empresa, como herramientas de análisis comunes, procesos de datos y metodologías de entrega. Pero a medida que el tiempo pasa y los procesos se estandarizan, estos expertos pueden residir dentro de los radios con la misma eficacia (o más).
La complejidad del modelo de negocio. Cuanto mayor sea el número de funciones de negocios, líneas de negocios o geografías que las herramientas de AI soportarán, mayor será la necesidad de crear gremios de expertos en IA (de, por ejemplo, científicos o diseñadores de datos). Las empresas con negocios complejos a menudo consolidan estos gremios en el centro y luego los asignan según sea necesario a las unidades de negocios, funciones o geografías.
El ritmo y nivel de innovación técnica requerido. Cuando necesitan innovar rápidamente, algunas compañías colocan más estrategias y capacidades de áreas grises en el centro, para que puedan controlar mejor los cambios en la industria y la tecnología y desplegar rápidamente los recursos de inteligencia artificial para evitar los desafíos competitivos.
Volvamos a las dos instituciones financieras que discutimos anteriormente. Ambos enfrentaron presiones competitivas que requerían una rápida innovación. Sin embargo, su madurez analítica y complejidad empresarial diferían.
La institución que colocó a sus equipos de análisis dentro de su centro tenía un modelo de negocio mucho más complejo y una madurez de AI relativamente baja. Su experiencia en inteligencia artificial existente era principalmente en la gestión de riesgos. Al concentrar sus datos científicos, ingenieros y muchos otros expertos en áreas grises dentro del centro, la compañía se aseguró de que todas las unidades de negocios y funciones pudieran acceder rápidamente a los conocimientos esenciales cuando fuera necesario.
La segunda institución financiera tenía un modelo de negocio mucho más simple que involucraba la especialización en menos servicios financieros. Este banco también tenía una gran experiencia y experiencia en inteligencia artificial. Así que fue capaz de descentralizar su talento de inteligencia artificial, incorporando a muchos de sus expertos en análisis, estrategia y tecnología de áreas grises dentro de los radios de las unidades de negocios.
Como sugieren estos ejemplos, parte del arte está involucrado en decidir dónde deben vivir las responsabilidades. Cada organización tiene capacidades distintivas y presiones competitivas, y los tres factores clave deben considerarse en su totalidad, en lugar de individualmente. Por ejemplo, una organización puede tener una alta complejidad empresarial y necesitar una innovación muy rápida (lo que sugiere que debería transferir más responsabilidades al centro), pero también tiene capacidades de AI muy maduras (lo que sugiere que debería pasar a los radios). Sus líderes tendrían que sopesar la importancia relativa de los tres factores para determinar dónde, en general, se desplegaría el talento de manera más efectiva. Los niveles de talento (un elemento de la madurez de la IA) a menudo tienen una gran influencia en la decisión. ¿Cuenta la organización con suficientes expertos en datos que, si los traslada permanentemente a los radios, aún podría satisfacer las necesidades de todas las unidades de negocios, funciones y geografías? Si no es así, probablemente sería mejor alojarlos en el centro y compartirlos en toda la organización.
Supervisión y ejecución.
Si bien la distribución de la AI y las responsabilidades analíticas varían de una organización a otra, las que amplían la IA tienen dos cosas en común:
Una coalición gobernante de líderes de negocios, TI y análisis. La integración total de la IA es un largo viaje. La creación de un grupo de trabajo conjunto para supervisarlo garantizará que las tres funciones colaboren y compartan la responsabilidad, independientemente de cómo se dividan los roles y las responsabilidades. Este grupo, que a menudo es convocado por el director de análisis, también puede ser instrumental en la creación de un impulso para las iniciativas de inteligencia artificial, especialmente desde el principio.
Equipos de ejecución basados en asignaciones. Las organizaciones que amplían la IA tienen el doble de probabilidades de establecer equipos interdisciplinarios dentro de los portavoces. Tales equipos reúnen una diversidad de perspectivas y solicitan aportes del personal de primera línea a medida que construyen, implementan y monitorean las nuevas capacidades de AI. Los equipos generalmente se reúnen al comienzo de cada iniciativa y obtienen habilidades tanto del centro como de los radios. En general, cada uno incluye al gerente a cargo del éxito de la nueva herramienta AI (el "propietario del producto"), traductores, arquitectos de datos, ingenieros y científicos, diseñadores, especialistas en visualización y analistas de negocios. Estos equipos abordan los problemas de implementación temprano y extraen valor más rápido.
- Parte del arte está involucrado en decidir dónde deben vivir las responsabilidades y los roles de AI.
Educar a todos
Para garantizar la adopción de la inteligencia artificial, las empresas deben educar a todos, desde los principales líderes hacia abajo. Con este fin, algunos están lanzando academias internas de inteligencia artificial, que generalmente incorporan trabajo en el aula (en línea o en persona), talleres, capacitación en el trabajo e incluso visitas a sitios con experiencia de colegas de la industria. La mayoría de las academias contratan inicialmente profesores externos para redactar los planes de estudio y ofrecer capacitación, pero también suelen implementar procesos para desarrollar capacidades internas.
Cada academia es diferente, pero la mayoría ofrece cuatro tipos amplios de instrucción:
Liderazgo.
La mayoría de las academias se esfuerzan por brindarles a los altos ejecutivos y líderes de unidades de negocios un alto nivel de comprensión de cómo funciona la IA y las formas de identificar y priorizar las oportunidades de la IA. También proporcionan discusiones sobre el impacto en los roles de los trabajadores, las barreras para la adopción y el desarrollo del talento, y ofrecen orientación para inculcar los cambios culturales subyacentes requeridos.
Analítica.
Aquí, el enfoque está en afilar constantemente las habilidades duras y blandas de los científicos de datos, ingenieros, arquitectos y otros empleados que son responsables del análisis de datos, el gobierno de los datos y la construcción de las soluciones de inteligencia artificial.
Traductor.
Los traductores de análisis a menudo provienen del personal de negocios y necesitan capacitación técnica fundamental, por ejemplo, sobre cómo aplicar enfoques analíticos a los problemas de negocios y desarrollar casos de uso de inteligencia artificial. Sus instrucciones pueden incluir tutoriales en línea, experiencia práctica con los traductores veteranos y un "examen" final en el que deben implementar con éxito una iniciativa de AI.
Usuario final.
Los trabajadores de primera línea pueden necesitar solo una introducción general a las nuevas herramientas de inteligencia artificial, seguidas de capacitación en el trabajo y capacitación sobre cómo usarlas. Los responsables de la toma de decisiones estratégicas, como los vendedores y el personal de finanzas, pueden requerir sesiones de capacitación de alto nivel que incorporen escenarios empresariales reales en los que nuevas herramientas mejoren las decisiones sobre, por ejemplo, lanzamientos de productos.
Reforzando el cambio
La mayoría de las transformaciones de IA tardan entre 18 y 36 meses en completarse, mientras que algunas tardan hasta cinco años. Para evitar que pierdan impulso, los líderes deben hacer cuatro cosas:
Camina la charla.
El modelado de roles es esencial. Para empezar, los líderes pueden demostrar su compromiso con la IA asistiendo a la capacitación de la academia.
Pero también deben alentar activamente nuevas formas de trabajar. La inteligencia artificial requiere experimentación y, a menudo, las iteraciones tempranas no funcionan según lo planeado. Cuando eso sucede, los líderes deben resaltar lo que se aprendió de los pilotos. Eso ayudará a fomentar la adecuada toma de riesgos.
Los modelos de conducta más efectivos que hemos visto son humildes. Hacen preguntas y refuerzan el valor de las diversas perspectivas. Se reúnen regularmente con el personal para discutir los datos y hacen preguntas como "¿Con qué frecuencia tenemos razón?" Y "¿Qué datos tenemos para respaldar la decisión de hoy?"
El CEO de un minorista especializado que conocemos es un buen ejemplo. En cada reunión a la que asiste, invita a los asistentes a compartir sus experiencias y opiniones, y ofrece la suya en último lugar. También hace tiempo para reunirse con los empleados de análisis y negocios cada pocas semanas para ver lo que han hecho, ya sea lanzando un nuevo piloto o ampliando uno existente.
Hacer a las empresas responsables.
No es raro ver que el personal de análisis hecho los propietarios de productos de AI. Sin embargo, dado que los análisis son simplemente un medio para resolver problemas de negocios, son las unidades de negocios las que deben liderar los proyectos y ser responsables de su éxito. La propiedad debe asignarse a alguien del negocio relevante, quien debe asignar roles y guiar un proyecto de principio a fin. A veces, las organizaciones asignan diferentes propietarios en diferentes puntos del ciclo de vida del desarrollo (por ejemplo, para pruebas de valor, implementación y escala). Eso también es un error, ya que puede dar lugar a errores o oportunidades perdidas.
Un cuadro de mando que captura las métricas de rendimiento del proyecto para todos los interesados es una excelente manera de alinear los objetivos de los equipos de análisis y de negocios. Una compañía aérea, por ejemplo, usó un cuadro de mandos compartido para medir la tasa de adopción, la velocidad a la capacidad total y los resultados comerciales para una solución de AI que optimizó los precios y las reservas.
Seguir y facilitar la adopción.
La comparación de los resultados de las decisiones tomadas con y sin AI puede alentar a los empleados a usarlo. Por ejemplo, en una compañía de productos básicos, los operadores se dieron cuenta de que sus pronósticos no respaldados por AI generalmente eran correctos solo la mitad del tiempo, no mejor que adivinar. Ese descubrimiento los hizo más abiertos a las herramientas de inteligencia artificial para mejorar los pronósticos.
- Las unidades de negocios deben liderar los proyectos de inteligencia artificial y ser responsables de su éxito.
Proporcionar incentivos para el cambio.
El reconocimiento inspira a los empleados a largo plazo. El CEO del minorista especializado comienza las reuniones destacando a un empleado (como un gerente de producto, un científico de datos o un trabajador de primera línea) que ha ayudado a hacer que el programa de inteligencia artificial de la compañía sea un éxito. En el gran conglomerado minorista, el CEO creó nuevos roles para los empleados con mejor desempeño que participaron en la transformación de AI. Por ejemplo, promovió al gerente de categoría que ayudó a probar la solución de optimización durante su prueba piloto para liderar su lanzamiento en las tiendas, demostrando visiblemente el impacto en la carrera que podría tener la adopción de AI.
Finalmente, las empresas deben verificar que los incentivos de los empleados estén realmente alineados con el uso de AI. Este no fue el caso en un minorista de ladrillo y mortero que había desarrollado un modelo de AI para optimizar los precios de descuento para que pudiera eliminar las existencias antiguas. El modelo reveló que a veces era más rentable disponer de acciones antiguas que venderlas con un descuento, pero el personal de la tienda tenía incentivos para vender todo, incluso con grandes descuentos. Debido a que las recomendaciones de AI contradecían su práctica estándar y recompensada, los empleados sospecharon de la herramienta y la ignoraron. Dado que sus incentivos de ventas también estaban estrechamente vinculados a los contratos y no podían cambiarse fácilmente, la organización finalmente actualizó el modelo de AI para reconocer el compromiso entre las ganancias y los incentivos, lo que ayudó a impulsar la adopción de los usuarios y elevó el balance final.
CONCLUSIÓN
Las acciones que promueven la escala en la IA crean un círculo virtuoso. El paso de equipos funcionales a equipos interdisciplinarios inicialmente reúne las diversas habilidades, perspectivas y las opiniones del usuario necesarias para construir herramientas efectivas. Con el tiempo, los trabajadores de toda la organización absorben nuevas prácticas de colaboración. A medida que trabajan más estrechamente con colegas en otras funciones y geografías, los empleados comienzan a pensar en grande: pasan de tratar de resolver problemas discretos a reimaginar completamente los modelos operativos y de negocios. La velocidad de la innovación aumenta a medida que el resto de la organización comienza a adoptar los enfoques de prueba y aprendizaje que impulsaron con éxito a los pilotos.
A medida que las herramientas de inteligencia artificial se extienden por toda la organización, las personas más cercanas a la acción se vuelven cada vez más capaces de tomar decisiones una vez que toman las de arriba, aplanando las jerarquías organizacionales. Eso fomenta una mayor colaboración y un pensamiento aún más grande.
Las formas en que se puede utilizar la inteligencia artificial para aumentar la toma de decisiones siguen expandiéndose Las nuevas aplicaciones crearán cambios fundamentales y, a veces, difíciles en los flujos de trabajo, roles y cultura, que los líderes necesitarán para guiar a sus organizaciones con cuidado. Las empresas que sobresalen en la implementación de la inteligencia artificial en toda la organización se encontrarán con una gran ventaja en un mundo donde los humanos y las máquinas que trabajan juntos superan a los humanos o las máquinas que trabajan por su cuenta.
Una versión de este artículo apareció en la edición de julio-agosto de 2019 (pp. 62-73) de Harvard Business Review.
Tim Fountaine es socio en la oficina de McKinsey en Sydney y dirige QuantumBlack, una firma de análisis avanzado propiedad de McKinsey, en Australia.
Brian McCarthy es un socio en la oficina de McKinsey en Atlanta y reúne la agenda de desarrollo de conocimiento para McKinsey Analytics.
Tamim Saleh es socio principal de la oficina de McKinsey en Londres y dirige McKinsey Analytics en Europa.
No hay comentarios:
Publicar un comentario