La inteligencia artificial apenas comienza a revelar su potencial, pero los expertos advierten que ninguna estrategia basada en esta tecnología puede tener éxito sin una sólida base de datos. Matteo Verdari, Head de la Global AI Practice en SDG Group, explica por qué las empresas deben cerrar la brecha entre el hype y la realidad operativa.
Esto es lo que llamamos la “brecha de adopción”: la diferencia entre lo que la tecnología puede hacer y lo que las empresas realmente implementan. Diversos estudios estiman que alrededor del 60 % de los proyectos de IA fracasan al pasar a producción. Las razones varían, pero el denominador común suele ser la falta de valor tangible para el negocio.
Esto generalmente se debe a un desalineamiento entre los stakeholders sobre cómo deben evolucionar las organizaciones, procesos y sistemas para integrar estas soluciones. También existen desafíos técnicos, ya que muchas empresas aún dependen de sistemas heredados que no son adecuados para tecnologías avanzadas. Por último, hay una dimensión cultural: las personas a veces tienen dificultades para adoptar nuevas herramientas o cambiar su forma de trabajar.
La industria de la moda, como muchas otras, atraviesa una transición compleja marcada por la incertidumbre geopolítica y económica. Esto suele llevar a las empresas a priorizar retornos de inversión a muy corto plazo, lo que se convierte en un gran obstáculo: si un caso de uso no entrega resultados inmediatos, se abandona rápidamente.
El resultado es un ciclo continuo de evaluaciones y pruebas de concepto que nunca se traducen en un valor real para el negocio. Esto es desafortunado, porque ya existen ejemplos claros de cómo la IA puede generar valor a lo largo de toda la cadena de valor. En desarrollo de productos, por ejemplo, la IA puede acelerar la creación de conceptos de diseño. En la optimización de inventarios, puede ayudar a adaptar el stock a ubicaciones específicas y a las preferencias de los clientes. Y en el servicio postventa, puede mejorar la gestión de reclamaciones y reducir los tiempos de devolución.
Para construir una casa, primero se debe establecer la base; en este caso, la base son los datos. No puede existir una estrategia de IA sin una sólida estrategia de datos. El punto de partida es contar con la infraestructura adecuada para recopilar, organizar y gestionar los datos que alimentarán los modelos de IA.
Una vez establecida esa base, el siguiente paso es pensar estratégicamente en los casos de uso. En SDG Group, creamos una unidad dedicada, Orbitae, diseñada para apoyar a las empresas a lo largo de todo el proceso – desde el diseño hasta la ingeniería – mientras también se gestionan los modelos a lo largo de su ciclo de vida y se garantiza una adopción responsable mediante capacitación y cambio organizacional.
La automatización en sí misma no es nueva. Durante años, las empresas han confiado en tecnologías como la automatización robótica de procesos, que utilizan reglas predefinidas para realizar tareas repetitivas. Pero estos sistemas son relativamente pasivos.
Hoy, estamos entrando en una nueva fase con agentes de IA que, cuando se entrenan adecuadamente, pueden asumir la responsabilidad total de ejecutar tareas de principio a fin dentro de un proceso. En compras, por ejemplo, los “agentes de negociación” pueden gestionar órdenes participando en licitaciones o analizando ofertas. Pueden entender el contexto – como niveles de inventario, precios u órdenes pendientes – y tomar decisiones, como emitir órdenes de compra o activar procesos logísticos de entrada.
Gestionar con éxito este cambio requiere dos elementos clave: gobernanza – protocolos claros para garantizar la transparencia en el funcionamiento de estos agentes – y adaptación humana, es decir, la disposición a ajustar los hábitos de trabajo para colaborar eficazmente con estos sistemas.
El talento y un profundo entendimiento del negocio seguirán siendo esenciales en cualquier rol. Es crucial mantener la capacidad de interpretar lo que sucede más allá de los marcos existentes. La inteligencia humana puede leer entre líneas, mientras que los grandes modelos de lenguaje leen dentro de las líneas.
Esta capacidad humana debería evolucionar para incluir a la IA como una voz adicional. Piénsalo como un comité que, en lugar de estar compuesto únicamente por personas, también incluye una IA que ofrece diferentes perspectivas o escenarios para apoyar una mejor toma de decisiones.
La clave está en combinar la responsabilidad humana en la toma de decisiones con los conocimientos que proporcionan las máquinas, lo que llamamos un enfoque de “human-in-the-loop”, donde la IA actúa como un apoyo complementario.