La IA empieza por la pregunta: qué aclarar antes de comprar capacidad

Cuatro preguntas de negocio que un directivo sin perfil técnico debe hacer antes de aprobar una inversión en IA, según Brynjolfsson y McAfee.

Muchas propuestas de inversión en inteligencia artificial llegan al comité con el costo de la infraestructura calculado al centavo y con el problema que van a resolver descrito en una frase vaga. Ese orden está al revés.

Erik Brynjolfsson y Andrew McAfee, en "The Business of Artificial Intelligence" (Harvard Business Review, 2017), describen el aprendizaje automático como una tecnología de propósito general, comparable a la máquina de vapor o a la electricidad. Sostienen que el cuello de botella ya no está en la tecnología sino en la gestión, en la implementación y en la imaginación de negocio. Y advierten que abundan los planes de negocio llenos de menciones a la IA sin conexión con lo que esa tecnología puede hacer de verdad.

Para no firmar uno de esos planes, propongo cuatro preguntas.

Primera preguntaQué entra y qué debe salir

Casi todos los éxitos recientes de la IA en empresas, según Brynjolfsson y McAfee, vienen del aprendizaje supervisado. El sistema recibe muchos ejemplos con la respuesta correcta y aprende a ir de una entrada a una salida: una transacción y si fue fraude, un historial de compras y la probabilidad de que el cliente se quede.

Si quien propone la inversión no puede decir en una frase qué dato entra y qué resultado debe salir, el proyecto todavía no existe. Y si puede decirlo, ya tienes media evaluación hecha: donde hay datos de comportamiento y se quiere predecir un resultado, hay un posible uso.

Segunda preguntaQué decisión mejora

Predecir algo solo vale si alguien hace algo distinto con la predicción. Saber que un cliente tiene alta probabilidad de irse sirve si el equipo comercial lo llama esa semana con una oferta; si nadie lo llama, el modelo es un reporte caro.

Por eso la segunda pregunta apunta a la decisión. Qué persona, en qué momento, actuará diferente porque el sistema le dijo algo. Si esa persona no aparece en la propuesta, pídela.

Los autores insisten además en que estos sistemas son estrechos: hacen bien una tarea y su conocimiento no se generaliza. Suponer que un sistema que resuelve bien algo entiende lo de al lado es, para ellos, la mayor fuente de confusión sobre la IA.

Tercera preguntaQué datos ya tienes

La capacidad de cómputo y los algoritmos se alquilan en la nube a precios que bajan, y muchas veces hace falta menos información de la que se cree para empezar. Lo que suele faltar es darse cuenta de que los datos ya están ahí.

Brynjolfsson y McAfee cuentan el caso de Udacity, donde Sebastian Thrun y su estudiante Zayd Enam notaron que los registros del chat de ventas ya eran datos etiquetados: había conversaciones que terminaron en venta y conversaciones que no. Con eso entrenaron un sistema que sugería respuestas a los vendedores. Según el artículo, la efectividad de los vendedores subió 54% y pudieron atender el doble de clientes a la vez. Nadie fue reemplazado; el sistema aconsejaba.

Cuarta preguntaQué parte del proceso cambia

Rara vez la IA reemplaza un puesto, un proceso o un modelo de negocio completo. Si un proceso tiene diez pasos, los autores estiman que quizá uno o dos se automatizan y el resto se vuelve más valioso para las personas que lo hacen.

Y en los sistemas que aprenden con recompensas, el sistema optimiza lo que premias, y eso no siempre coincide con lo que te importa. Si premias cerrar tickets rápido, cerrarán tickets rápido aunque el cliente vuelva a llamar mañana. Definir bien la meta es trabajo del gerente.

Un ejemplo

Imagina a una gerente de operaciones de una distribuidora de alimentos en Guatemala que recibe una propuesta para "implementar IA en logística" con un presupuesto de infraestructura que asusta. En vez de discutir el monto, hace las cuatro preguntas.

Entra la historia de pedidos por cliente y por semana, y sale la probabilidad de que un cliente pida menos de lo habitual el mes siguiente. La decisión que mejora es la del supervisor de ruta, que elige a qué clientes visita el vendedor antes de que el pedido baje. Los datos ya existen: tres años de facturación con cada caída de volumen registrada. Y el paso que cambia es la asignación semanal de visitas, uno de los diez del ciclo comercial; los otros nueve siguen en manos del equipo.

Con eso en la mesa, la propuesta se vuelve pequeña y evaluable.

Señales de alerta

La propuesta nombra la tecnología antes que el problema. Si la primera diapositiva habla de modelos y la última del cliente, el orden está invertido.
Se promete que el sistema "entenderá" el negocio. Los sistemas de hoy hacen una tarea; el resto lo siguen haciendo las personas.
Se exige perfección. Brynjolfsson y McAfee advierten que los resultados son estadísticos, que los sesgos heredados de los datos de entrenamiento (decisiones de contratación pasadas, por ejemplo) pueden colarse y que los errores cuestan diagnosticar. La vara correcta es la mejor alternativa disponible.

Para cerrar

Las computadoras responden preguntas; no las plantean. Elegir qué problema atacar y convencer a la gente de resolverlo sigue siendo trabajo de quien dirige.

Antes de la próxima reunión en la que alguien pida presupuesto para IA:

Pide que la propuesta diga en una frase qué entra y qué sale.
Pregunta quién cambiará una decisión con ese resultado, y cuándo.
Mide la meta contra la mejor alternativa disponible hoy.