De la empresa data-driven a la empresa AI-driven

En los últimos años hemos oído hablar con frecuencia de cómo las empresas deberían aspirar a ser data-driven.

Una empresa data-driven es aquella que ha llegado a un punto de madurez en cuanto a integrar la analítica en sus procesos de negocio utilizando de manera eficiente el conocimiento obtenido a partir de los datos con el objeto de mejorar los procesos.

Para lograr este objetivo la organización debe partir de una arquitectura de datos completa, ágil y bien gobernada. Puede decirse que actualmente muchas empresas se encuentran en el buen camino en este aspecto habiendo conseguido construir plataformas de datos sobre las que basar sus procesos de analítica descriptiva —los habituales informes y cuadros de mando— y predictiva —modelos de machine learning adecuadamente orquestados mediante MLOps—.

Pero una vez llegados a este punto se hace cada vez más evidente que los datos son sólo parte del camino. O, dicho de otra manera, el big data lleva al machine learning y este a la inteligencia artificial.

Así pues estamos en un punto donde la empresa que ya es data-driven debería iniciar su viaje hacia la siguiente etapa del camino: convertirse en una empresa AI-driven.

Para convertirse en una empresa AI-driven es necesario pasar por 3 etapas:

• Etapa 1: uso de técnicas de inteligencia artificial (IA) para desarrollar aplicaciones y casos de uso
• Etapa 2: uso de la IA para mejorar productos, servicios o procesos
• Etapa 3: uso de la IA para ayudar en la toma de las decisiones corporativas

Puede decirse que muchas empresas están en la etapa 1, algunas en la etapa 2 y muy pocas en la etapa 3. ¿Qué nos hace falta para llegar a esa tercera etapa donde las técnicas de inteligencia artificial están integradas en los procesos de negocio de manera que ayudan a tomar todo tipo de decisiones?.

En primer lugar hace falta abrir el abanico de técnicas IA yendo más allá de las que predominan actualmente basadas en machine learning o aprendizaje a partir de datos. En este sentido creo que las técnicas de optimización orientadas a la toma de decisiones van a adquirir cada vez más importancia y a plantear nuevos retos relacionados con:

• Exploración de alternativas

La enumeración de alternativas a explorar en un proceso de toma de decisiones no siempre es un proceso trivial. Implica un conocimiento profundo del negocio y, en muchos casos, las variables implicadas son tan numerosas que es necesario utilizar técnicas heurísticas para abordar problemas que de otro modo serían computacionalmente intratables.

• Relaciones causa-efecto

Existen numerosas formas de incertidumbre que hacen que la determinación de relaciones de causa-efecto y la consiguiente asignación de utilidad o valor a cada una de las posibles alternativas sean procesos con un elevado nivel de complejidad.

• Asignación de valor

Por otro lado la asignación de valor a cada una de las alternativas que se evalúan puede depender en gran medida de factores que no son fáciles de modelar por ser subjetivos, contextuales, cambiantes, complejos o simplemente desconocidos.

• Toma de decisiones

Las empresas son entornos complejos por lo que a la hora de tomar decisiones suelen existir múltiples criterios que deben tenerse en cuenta y que, con frecuencia, son contrapuestos. En este punto es importante tener una visión clara de la misión y valores de la compañía para tomar en consideración criterios de carácter estratégico y ético que guíen en último término la toma de decisiones. Asimismo, en entornos donde las máquinas van a participar de una manera muy activa en la toma de decisiones, será esencial tener en cuenta aspectos que tienen que ver con la interacción humano-máquina.

Estos son sólo algunos ejemplos de los retos que creo nos vamos a encontrar en ese viaje desde la empresa data-driven hacia la empresa AI-driven. Por el camino tendremos que aprender mucho, no sólo sobre inteligencia artificial sino también sobre cómo tratar con esos sistemas complejos que son las organizaciones. En la figura que encabeza este post podemos ver algunos de los campos que forman parte del estudio de la complejidad incluyendo teoría de redes, teoría de sistemas, teoría del caos y dinámicas no lineales, modelado de comportamientos colectivos, etc.

Así pues podemos decir que este camino que tenemos por delante en el viaje de la empresa data-driven hacia la empresa AI-driven se adentra de lleno en la complejidad y está lleno de retos pero es también, sin duda, un camino apasionante.