Obtener valor empresarial de la IA: alinea la solución con el negocio.

En un caso así, es probable que sea necesario combinar múltiples modelos y componentes para llegar a una solución realmente útil para el usuario. Aislado, el problema (y las expectativas del cliente) puede que no encajen de manera clara en el formato tradicional de IA de “datos de entrada/inferencia de salida” ni en el esquema de “prompt/respuesta” de la IA generativa. Por lo tanto, la comprensión del problema de negocio es fundamental aquí: se trata de descomponer la brecha (que actualmente parece una caja negra misteriosa) en algo que pueda entenderse e implementarse.

No hay una solución única para esto, y cada caso es diferente, pero un enfoque útil para los proyectos de IA en general podría ser:

1. Entender y documentar la funcionalidad de la herramienta o sistema deseado y cualquier interfaz de usuario.
2. Documentar los datos disponibles.
3. Descomponer en elementos que puedan resolverse mediante modelos de IA (ML, procesamiento de lenguaje natural, visión por computadora o IA generativa).
4. Para las brechas restantes, ¿se pueden combinar múltiples enfoques para resolverlas?
5. ¿Se pueden crear reglas que las aborden con éxito?
6. Si aún queda una brecha, ¿puede cubrirse con una persona que realice una tarea dentro de la solución, quizá asistida por las opciones del sistema de IA? Para abordar una brecha de este tipo, la situación ideal sería poder aprender/codificar los comportamientos de la persona que está integrada en el sistema (un enfoque similar puede usarse para reforzar un modelo con bajo desempeño).

A lo largo del proceso de mapeo de la lógica de negocio, debemos ser conscientes del valor que aportan los diferentes elementos, así como del dinero y tiempo disponibles. Generalmente, vale la pena crear un mapa de valor: identificar cuáles son las tareas valiosas para el negocio y difíciles de automatizar frente a aquellas que consumen mucho tiempo y que podrían automatizarse fácilmente utilizando enfoques de IA.

Usando el ejemplo de una solución de IA para automatizar el marketing, después de seleccionar casos de uso valiosos, hemos identificado que se podría construir un modelo para predecir la deserción de clientes (customer churn). Esto encaja claramente en el terreno de la IA tradicional (ML), aunque el mismo enfoque podría aplicarse si la tecnología fuera IA generativa. Dejando de lado los detalles de la construcción de dicho modelo, parece funcionar bien, ya que puede predecir con éxito si un cliente probablemente abandonará (incluso la evaluación del desempeño de un modelo depende de la aplicación de negocio, y esto debe acordarse de antemano con los interesados relevantes). Asumiendo que las consideraciones de ingeniería se han abordado correctamente, como la integración con los datos y la infraestructura existente (el esfuerzo requerido nunca debe subestimarse en un proyecto), aún necesitamos asegurarnos de que dicho modelo realmente aporte valor al negocio.

Retomando el tema de nuestro artículo anterior, es importante asegurarnos de no trabajar de manera aislada. Para que el resultado final genere el impacto esperado y no sea percibido como una solución en busca de un problema, es fundamental seguir colaborando con los stakeholders y los usuarios finales. De esta forma, garantizamos que la implementación realmente aporte valor. En este caso, tras trabajar con los stakeholders clave, una manera de lograrlo podría ser poner los resultados del modelo a disposición del equipo de marketing, para que puedan enfocar sus esfuerzos específicamente en los clientes con mayor probabilidad de abandono.

Una consideración clave para los usuarios que interactúan con los resultados de los modelos de ML es asegurarse de que estos sean realmente útiles. Por ejemplo, probablemente se integren en alguna interfaz de marketing, pero ¿cómo presentar los datos de una manera que aporte valor? Las probabilidades en un rango de 0.0 a 1.0 difícilmente tendrían sentido por sí solas; en cambio, podría ser más práctico mostrarlas como alto/medio/bajo, o incluso como el top N o el top N% de clientes con mayor probabilidad de abandono. Como puedes ver, a lo largo de todo el proceso se deben tomar decisiones en estrecha colaboración con los stakeholders clave, para garantizar que el proyecto logre un resultado verdaderamente útil.

Presentar los resultados del modelo a los equipos de marketing de una manera que realmente les sea útil nos daría una vía para demostrar el valor del modelo y obtener la aceptación de los usuarios (lo que, a su vez, podría abrir la puerta a una mayor automatización o incluso a integrarlo en una solución de extremo a extremo). Esto ilustra claramente el doble beneficio de trabajar en estrecha colaboración con los usuarios y con los senior stakeholders: no solo validar el valor de la solución, sino también establecer un punto de control que puede llevar a ampliar el alcance del proyecto o a conseguir una mayor inversión.

Utilizando el ejemplo de un departamento de marketing que desea incorporar IA para automatizar sus procesos, hemos explorado cómo se puede considerar la incorporación de un modelo de IA -en este caso ML- a los procesos de negocio existentes. En concreto, para que sea útil y utilizable por los usuarios finales y, en última instancia, para que pueda aportar valor al negocio. En el próximo y último artículo, analizaremos algunos de los aspectos prácticos de la transformación de un proyecto de IA en una solución operativa.