Creación de una organización impulsada por IA

Resumen.

La inteligencia artificial parece estar al borde de un boom. Ahora orienta las decisiones sobre todo, desde cosechas de cultivos hasta préstamos bancarios, y se vislumbran usos como el servicio al cliente totalmente automatizado. De hecho, McKinsey estima que la IA añadirá 13 billones de dólares a la economía mundial en la próxima década. Sin embargo, las empresas tienen dificultades para ampliar sus esfuerzos de IA. La mayoría solo ha ejecutado proyectos ad hoc o ha aplicado IA en un solo proceso empresarial.

En encuestas realizadas a miles de ejecutivos y trabajando con cientos de clientes, McKinsey ha identificado cómo las empresas pueden aprovechar al máximo la oportunidad de IA. La clave es comprender las barreras organizativas y culturales a las que se enfrentan las iniciativas de IA y trabajar para reducirlas. Esto significa apartar a los trabajadores de las mentalidades tradicionales, como confiar en la toma de decisiones de arriba hacia abajo, que a menudo van en contra de las necesarias para la IA. Los líderes también pueden configurar proyectos de IA para el éxito al transmitir su urgencia y beneficios; invertir fuertemente en la educación y adopción de la IA; y tener en cuenta la madurez de la IA, la complejidad empresarial y el ritmo de innovación de la empresa al decidir cómo debe organizarse el trabajo.

Idea en resumen

El problema

Los esfuerzos de muchas empresas para ampliar la inteligencia artificial se quedan cortos. Esto se debe a que solo el 8% de las empresas están aplicando prácticas básicas que apoyan la adopción generalizada.

La solución

La tecnología y el talento de vanguardia no son suficientes. Las empresas deben derribar las barreras organizativas y culturales que se interponen en el camino de la IA.

Los imperativos del liderazgo

Los líderes deben transmitir la urgencia de las iniciativas de IA y sus beneficios para todos; gastar al menos tanto en adopción como en tecnología; organizar el trabajo de IA sobre la base de la madurez de la IA, la complejidad empresarial y el ritmo de innovación de la empresa; e invertir en educación en IA para todos.

La inteligencia artificial está remodelando el negocio, aunque no al ritmo vertiginoso que muchos suponen. Es cierto que la IA ahora está guiando las decisiones sobre todo, desde cosechas de cultivos hasta préstamos bancarios, y las perspectivas que alguna vez estuvieron en el cielo, como el servicio al cliente totalmente automatizado, se vislumbran en el horizonte. Las tecnologías que permiten la IA, como las plataformas de desarrollo y la enorme potencia de procesamiento y almacenamiento de datos, avanzan rápidamente y se vuelven cada vez más asequibles. Parece que ha llegado el momento de que las empresas capitalicen la IA. De hecho, calculamos que la IA añadirá 13 billones de dólares a la economía mundial durante la próxima década.

Sin embargo, a pesar de la promesa de la IA, los esfuerzos de muchas organizaciones con ella se están quedando cortos. Hemos encuestado a miles de ejecutivos sobre cómo utilizan y organizan sus empresas para la IA y el análisis avanzado, y nuestra datos muestran que solo el 8% de las empresas se dedican a prácticas básicas que apoyan la adopción generalizada. La mayoría de las empresas solo han ejecutado pilotos ad hoc o están aplicando la IA en un solo proceso empresarial.

¿Por qué el lento progreso? Al más alto nivel, es un reflejo de un fracaso en la reestructuración de la organización. En nuestras encuestas y en nuestro trabajo con cientos de clientes, hemos visto que las iniciativas de IA se enfrentan a formidables barreras culturales y organizativas. Pero también hemos visto que los líderes que al principio toman medidas para derribar esas barreras pueden captar eficazmente las oportunidades de la IA.

Hacer el cambio

Uno de los mayores errores que cometen los líderes es ver la IA como una tecnología plug-and-play con beneficios inmediatos. Al decidir poner en marcha algunos proyectos, comienzan a invertir millones en infraestructura de datos, herramientas de software de IA, 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 ganancias que esperaban los ejecutivos. Las empresas tienen dificultades para pasar de los programas piloto a los programas de toda la empresa, y de centrarse en problemas empresariales discretos, como la mejora de la segmentación de clientes, a los desafíos de las grandes empresas, como la optimización de todo el recorrido del cliente.

Los líderes también suelen pensar demasiado en los requisitos de IA. Si bien es cierto que se necesita tecnología y talento de vanguardia, es igualmente importante alinear la cultura, la estructura y las formas de trabajo de una empresa para respaldar la adopción amplia de la IA. Pero en la mayoría de las empresas que no nacen digitales, las mentalidades tradicionales y las formas de trabajar van en contra de las necesarias para la IA.

Para ampliar la IA, las empresas deben hacer tres turnos:

Del trabajo en silos a la colaboración interdisciplinaria.

La IA tiene el mayor impacto cuando la desarrollan equipos multidisciplinarios con una combinación de habilidades y perspectivas. El hecho de que el personal empresarial y operativo trabaje codo con codo con expertos en análisis garantizará que las iniciativas aborden prioridades organizativas amplias, no solo problemas empresariales aislados. Los equipos diversos también pueden pensar en los cambios operativos que las nuevas aplicaciones pueden requerir; es más probable que reconozcan, por ejemplo, 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 las aplicaciones, las posibilidades de adopción aumentan drásticamente.

Desde la toma de decisiones basada en la experiencia y el liderazgo hasta la toma de decisiones basada en datos en primera línea.

Cuando la IA se adopta ampliamente, los empleados de arriba y abajo de la jerarquía aumentarán su propio juicio e intuición con recomendaciones de algoritmos para llegar a mejores respuestas de las que los humanos o las máquinas podrían alcanzar por sí solos. Pero para que este enfoque funcione, las personas de todos los niveles tienen que confiar en las sugerencias de los algoritmos y sentirse capacitados para tomar decisiones, lo que significa abandonar el enfoque tradicional de arriba hacia abajo. Si los empleados tienen que consultar a un superior antes de tomar medidas, eso inhibirá el uso de la IA.

Leonardo Ulián

Los procesos de decisión cambiaron drásticamente en una organización cuando sustituyeron un complejo método manual para programar eventos por un nuevo sistema de IA. Históricamente, los organizadores de eventos de la firma habían utilizado etiquetas, alfileres y pegatinas de colores para rastrear conflictos, preferencias de los participantes y otras consideraciones. A menudo habían confiado en el instinto y en las aportaciones de los altos directivos, 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 en solo cientos, clasificando los horarios óptimos para cada participante. Los planificadores humanos experimentados aplicaron su experiencia para tomar decisiones finales respaldadas por los datos, sin necesidad de obtener información de sus líderes. Los planificadores adoptaron la herramienta fácilmente, confiando en su resultado porque habían ayudado a establecer sus parámetros y restricciones y sabían que ellos mismos harían la última llamada.

De rígido y reacio al riesgo a ser ágil, experimental y adaptable.

Las organizaciones deben deshacerse de la mentalidad de que una idea debe estar completamente preparada o que una herramienta empresarial debe tener todas las campanas antes de implementarla. En la primera iteración, las aplicaciones de IA rara vez tienen toda la funcionalidad deseada. Una mentalidad de prueba y aprendizaje replanteará los errores como fuente de descubrimientos, reduciendo el miedo al fracaso. Obtener comentarios iniciales de los usuarios e incorporarlos a 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 pequeños equipos de IA crear productos mínimos viables en cuestión de semanas en lugar de meses.

Esos cambios fundamentales no son fáciles. Exigen que los líderes preparen, motiven y equipen a la fuerza laboral para hacer un cambio. Pero los líderes primero deben estar preparados por sí mismos. Hemos visto fracaso tras fracaso causado por la falta de una comprensión fundamental de la IA entre los altos ejecutivos. (Más adelante, analizaremos cómo las academias de análisis pueden ayudar a los líderes a adquirir esa comprensión).

Preparación para el éxito

Para que los empleados se unan y allanen el camino hacia el éxito de los lanzamientos de IA, los líderes deben prestar atención desde el principio a varias tareas:

Explicar por qué.

Una historia convincente ayuda a las organizaciones a comprender la urgencia de las iniciativas de cambio y cómo se beneficiarán todas ellas. Esto es especialmente crítico en los proyectos de IA, porque el temor a que la IA elimine puestos de trabajo aumenta la resistencia de los empleados a ello.

Los líderes tienen que proporcionar una visión que reúna a todos en torno a un objetivo común. Los trabajadores deben entender por qué la IA es importante para la empresa y cómo encajarán en una nueva cultura orientada a la IA. En particular, necesitan que se les asegure que la IA mejorará, no disminuirá o incluso eliminará, sus funciones. ( Nuestra investigación muestra que la mayoría de los trabajadores tendrán que adaptarse al uso de la IA en lugar de ser reemplazados por IA).

En la mayoría de las empresas que no nacen digitales, la mentalidad va en contra de las necesarias para la IA.

Cuando un gran conglomerado minorista quería que sus empleados apoyaran su estrategia de IA, la dirección lo presentó como un imperativo existencial. Los líderes describieron la amenaza que suponían los minoristas digitales y cómo la IA podría ayudar a defenderla mejorando la eficiencia operativa y la capacidad de respuesta de la empresa. Al emitir un llamado a las armas en la lucha por la supervivencia, la dirección subrayó el papel fundamental que los empleados tenían que desempeñar.

Al compartir su visión, los líderes de la empresa pusieron de relieve a los trabajadores que habían puesto a prueba una nueva herramienta de IA que les ayudó a optimizar la gama de productos de las tiendas y aumentar los ingresos. Esto inspiró a otros trabajadores a imaginar cómo la IA podría aumentar y elevar su rendimiento.

Anticipar barreras únicas al cambio.

Algunos obstáculos, como el miedo de los trabajadores a quedar 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 a medida de una herramienta de IA. Además, los gerentes de grandes organizaciones que creen que su estatus se basa en el número de personas que supervisan podrían oponerse a la toma de decisiones descentralizada o a la reducción de informes que la IA 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 negocio pueden tener dificultades para formar equipos ágiles interdisciplinarios, por ejemplo.

Algunas soluciones se pueden encontrar revisando cómo las iniciativas de cambio pasadas superaron las barreras. Otros pueden implicar alinear las iniciativas de IA con los valores culturales que parecen obstáculos. En una institución financiera con un fuerte énfasis en la banca relacional, por ejemplo, los líderes destacaron la capacidad de la IA para mejorar los lazos con los clientes. El banco creó un folleto para los gestores de relaciones que mostraba cómo combinar su experiencia y habilidades con las recomendaciones de productos personalizadas de la IA podría mejorar la experiencia de los clientes y aumentar los ingresos y los beneficios. El programa de adopción de IA también incluyó un concurso de conversiones de ventas impulsadas por el uso de la nueva herramienta; los logros de los ganadores se mostraron en el boletín mensual del CEO a los empleados.

Leonardo Ulián

Una clase de expertos relativamente nueva, traductores analíticos, pueden desempeñar un papel importante en la identificación de obstáculos. Estas personas ponen en contacto a los ingenieros de datos y a los científicos del ámbito técnico con las personas del ámbito empresarial: marketing, cadena de suministro, fabricación, personal de riesgo,. Los traductores ayudan a garantizar que las aplicaciones de IA desarrolladas respondan a las necesidades empresariales y que la adopción se realice sin problemas. Al principio 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 para el cambio no solo puede informar a los líderes sobre cómo comunicarse con la fuerza laboral, sino también ayudarles a determinar dónde invertir, qué iniciativas de IA son más factibles, qué formación debe 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 empresas que habían participado en prácticas de escalado exitosas habían gastado más de la mitad de sus presupuestos de análisis en actividades que impulsaron la adopción, como el rediseño del flujo de trabajo, la comunicación y la formación. Solo el 23% de las empresas restantes habían comprometido recursos similares.

Los gestores de relaciones pueden rechazar la idea de que una máquina sabe lo que quieren los clientes.

Considere la posibilidad de un proveedor de telecomunicaciones que lanzaba un nuevo programa de retención de clientes impulsado por IA en su centro de llamadas. La empresa invirtió simultáneamente en el desarrollo de modelos de IA y en ayudar a los empleados del centro en la transición al nuevo enfoque. En lugar de simplemente reaccionar a las llamadas que cancelan el servicio, se pondrían en contacto de forma proactiva con los clientes en riesgo de deserción, dándoles recomendaciones generadas por IA sobre nuevas ofertas que probablemente aceptarían. Los empleados recibieron formación y asesoramiento en el puesto de trabajo en las habilidades de ventas necesarias para cerrar el negocio. Los entrenadores y gerentes escucharon sus llamadas, les dieron retroalimentación individualizada y actualizaron continuamente los materiales de capacitación y los guiones de las llamadas. Gracias a estos esfuerzos coordinados, el nuevo programa redujo la pérdida de clientes en un 10%.

Equilibrio entre viabilidad, inversión de tiempo y valor.

Perseguir iniciativas que son excesivamente difíciles de implementar o que requieren más de un año para su lanzamiento puede sabotear proyectos de IA actuales y futuros.

Las organizaciones no necesitan centrarse únicamente en las ganancias rápidas; deben desarrollar un portafolio de iniciativas con diferentes horizontes temporales. Los procesos automatizados que no necesitan intervención humana, como la detección de fraudes asistida por IA, pueden generar beneficios en meses, mientras que los proyectos que requieren la participación humana, como el servicio de atención al cliente respaldado por IA, probablemente den sus frutos durante un período más largo. La priorización debe basarse en una visión a largo plazo (normalmente de tres años) y tener en cuenta cómo se pueden combinar varias iniciativas con diferentes plazos para maximizar el valor. Por ejemplo, para obtener una vista de los clientes lo suficientemente detallada como para permitir que la IA realice la microsegmentación, es posible que una empresa deba establecer una serie de iniciativas de ventas y marketing. Algunas, como las ofertas específicas, pueden ofrecer valor en unos pocos meses, mientras que todo el conjunto de capacidades puede tardar de 12 a 18 meses en lograr un impacto total.

Un minorista de Asia Pacífico determinó que una iniciativa de inteligencia artificial para optimizar el espacio y la colocación del inventario no produciría todo su valor 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 firma decidieron que el proyecto era lo suficientemente importante para la rentabilidad futura como para continuar, pero no sin dividirlo en dos. La primera parte produjo una herramienta de IA que daba a los gerentes de tienda recomendaciones sobre algunos artículos incrementales que se venderían bien en sus puntos de venta. La herramienta proporcionó solo una pequeña fracción de la rentabilidad total prevista, pero los gerentes pudieron llevar los nuevos artículos a las tiendas de inmediato, lo que demostró los beneficios del proyecto y generó entusiasmo por el viaje de varios años por delante.

Organización para escalar

Existe un gran debate sobre dónde deben residir las capacidades de inteligencia artificial y analítica dentro de las organizaciones. A menudo los líderes se preguntan simplemente: «¿Qué modelo organizacional funciona mejor?» y luego, después de escuchar lo que tuvo éxito en otras empresas, haga una de estas tres cosas: consolidar la mayoría de las capacidades de inteligencia artificial y analítica dentro de un «hub» central; descentralizarlas e insertarlas principalmente en las unidades de negocio («los radios»); o distribuirlas entre ambas, utilizando un modelo híbrido («hub-and-spoke»). Hemos descubierto que ninguno de estos modelos es siempre mejor que los demás para poner la IA a escala; la elección correcta depende de la situación individual de la empresa.

Las empresas con buenas prácticas de escalado gastaron la mitad de sus presupuestos de análisis en adopción.

Considere dos grandes instituciones financieras con las que hemos trabajado. Uno consolidó sus equipos de inteligencia artificial y analítica en un centro central, donde todo el personal de análisis informaba al director de datos y análisis y se implementaba en las unidades de negocio según fuera necesario. El segundo descentralizó casi todo su talento analítico, con equipos que residen e informan a las unidades de negocio. Ambas firmas desarrollaron IA a una escala superior de su sector; la segunda organización pasó de 30 a 200 iniciativas de IA rentables en solo dos años. Y ambos seleccionaron su modelo teniendo en cuenta la estructura, las capacidades, la estrategia y las características únicas de su organización.

El hub.

Un hub siempre gestiona mejor un pequeño puñado de responsabilidades y está dirigido por el director de análisis o el director de datos. Estas incluyen la gobernanza de datos, la estrategia de contratación y formación de IA, y el trabajo con proveedores externos de software y servicios de datos e IA. Los centros deben fomentar el talento de la IA, crear comunidades en las que los expertos en IA puedan compartir las mejores prácticas y diseñar procesos para el desarrollo de la IA en toda la organización. Nuestra investigación muestra que las empresas que han implementado IA a gran escala tienen tres veces más probabilidades que sus homólogas de tener un centro y 2,5 veces más probabilidades de contar con una metodología clara para crear modelos, interpretar información e implementar nuevas capacidades de IA.

Los hubs también deben ser responsables de los sistemas y estándares relacionados con la IA. Estos deben estar 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 negocio. Hemos visto a muchas organizaciones malgastar mucho tiempo y dinero (gastando cientos de millones de dólares) por adelantado en proyectos de limpieza de datos e integración de datos en toda la empresa, solo para interrumpir esos esfuerzos a mitad de camino y obtener pocos o ningún beneficio.

Por el contrario, cuando un banco europeo descubrió que las estrategias de gestión de datos contradictorias dificultaban el desarrollo de nuevas herramientas de IA, adoptó un enfoque más lento y elaboró un plan para unificar su arquitectura y gestión de datos durante los próximos cuatro años, a medida que desarrollaba varios casos de negocio para su transformación de la IA. Se espera que este programa multifase, que también incluye un rediseño organizacional y una estrategia de talento revisada, tenga un impacto anual de más de 900 millones de dólares.

Los radios.

Otro puñado de responsabilidades debería ser casi siempre propiedad de los radios, porque están más cerca de aquellos que van a utilizar los sistemas de IA. Entre ellas se encuentran las tareas relacionadas con la adopción, como la formación 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 adoptar los servicios habilitados para IA que se ofrecen con su equipo inteligente y conectado, la organización de ventas y servicios de un fabricante creó un «equipo SWAT» que apoyaba a los clientes a utilizar el producto y desarrolló un plan de precios para impulsar la adopción. Este trabajo es claramente la bailía de un hablante y no se puede delegar en un centro de análisis.

Organización de la IA para escalar

Las empresas habilitadas para IA dividen los roles clave entre un hub y los radios. Algunas tareas siempre son propiedad del hub, y los radios siempre son dueños de la ejecución. El resto del trabajo cae en un área gris, y las características individuales de una empresa determinan dónde debe realizarse.

Organización de la IA para escalar

Las empresas habilitadas para IA dividen los roles clave entre un hub y los radios. Algunas tareas siempre son propiedad del hub, y los radios siempre son dueños de la ejecución. El resto del trabajo cae en un área gris, y las características individuales de una empresa determinan dónde debe realizarse.

La zona gris.

Gran parte del trabajo en transformaciones de IA exitosas cae en un área gris en términos de responsabilidad. Las tareas clave (establecer la dirección de los proyectos de IA, analizar los problemas que resolverán, crear los algoritmos, diseñar las herramientas, probarlas con los usuarios finales, gestionar el cambio y crear la infraestructura de IT de soporte) pueden ser propiedad del hub o del spoke, compartirlas con ambos o compartirlas con IT. 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 IA. Cuando una empresa está en las primeras etapas de su recorrido por la IA, a menudo tiene sentido que los ejecutivos de análisis, 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 dentro de un hub y se implementen según sea necesario en los radios. Al trabajar juntos, estos actores pueden establecer los activos y capacidades principales de IA de la empresa, como herramientas de análisis comunes, procesos de datos y metodologías de entrega. Pero a medida que pasa el tiempo y los procesos se estandarizan, estos expertos pueden residir dentro de los radios con la misma (o más) eficacia.

Complejidad del modelo de negocio. Cuanto mayor sea el número de funciones empresariales, líneas de negocio o geografías que admitan las herramientas de IA, mayor será la necesidad de crear gremios de expertos en IA (por ejemplo, científicos de datos o diseñadores). Las empresas con negocios complejos a menudo consolidan estos gremios en el centro y luego los asignan según sea necesario a unidades de negocio, funciones o geografías.

El ritmo y el nivel de innovación técnica necesarios. Cuando necesitan innovar rápidamente, algunas empresas implementan más estrategias de zonas grises y desarrollo de capacidades en el centro, para poder supervisar mejor los cambios de la industria y la tecnología e implementar rápidamente recursos de IA para superar los desafíos competitivos.

Volvamos a las dos instituciones financieras de las que hablamos anteriormente. Ambas se enfrentaban a presiones competitivas que exigían una rápida innovación. Sin embargo, su madurez analítica y su complejidad empresarial eran diferentes.

La institución que colocó a sus equipos de análisis en su centro de operaciones tenía un modelo de negocio mucho más complejo y una madurez de IA relativamente baja. Su experiencia en IA existente se centraba principalmente en la gestión de riesgos. Al concentrar a sus científicos de datos, ingenieros y muchos otros expertos en áreas grises en el centro, la empresa se aseguró de que todas las unidades de negocio y funciones pudieran acceder rápidamente a conocimientos esenciales cuando fuera necesario.

La segunda institución financiera tenía un modelo de negocio mucho más sencillo que implicaba especializarse en menos servicios financieros. Este banco también tenía una gran experiencia y conocimientos en IA. Por lo tanto, fue capaz de descentralizar su talento en IA, incorporando muchos de sus expertos en análisis, estrategia y tecnología de áreas grises dentro de los radios de la unidad de negocio.

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 trasladar más responsabilidades al hub) pero también tener capacidades de IA muy maduras (lo que sugiere que debería trasladarlas a los radios). Sus líderes tendrían que sopesar la importancia relativa de los tres factores para determinar dónde, en general, se desplegaría el talento con mayor eficacia. Los niveles de talento (un elemento de madurez de la IA) suelen tener una enorme influencia en la decisión. ¿Tiene la organización suficientes expertos en datos que, si los traslada permanentemente a los radios, podría satisfacer las necesidades de todas las unidades de negocio, funciones y geografías? Si no, probablemente sería mejor alojarlos en el centro y compartirlos en toda la organización.

Supervisión y ejecución.

Si bien la distribución de las responsabilidades de IA y análisis varía de una organización a otra, las que escalan la IA tienen dos cosas en común:

Una coalición gobernante de líderes empresariales, de IT y de análisis. La plena integración 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 suele ser convocado por el director de análisis, también puede ser fundamental para impulsar las iniciativas de IA, especialmente desde el principio.

Equipos de ejecución basados en tareas. Las organizaciones que amplían la IA tienen el doble de probabilidades de crear equipos interdisciplinarios dentro de los radios. Estos equipos reúnen una diversidad de perspectivas y solicitan la opinión del personal de primera línea a medida que crean, implementan y supervisan nuevas capacidades de IA. Por lo general, los equipos se forman al principio de cada iniciativa y extraen habilidades tanto del hub como de los radios. Por lo general, cada uno incluye al gerente a cargo del éxito de la nueva herramienta de IA (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 de forma temprana y extraen valor más rápido.

Algo de arte está involucrado en decidir dónde deben vivir las responsabilidades y roles de la IA.

Por ejemplo, en el minorista de Asia y el Pacífico que utilizaba la IA para optimizar el espacio de la tienda y la ubicación del inventario, un equipo de ejecución interdisciplinario ayudó a derribar los muros entre los comerciantes (que determinaban cómo se mostrarían los artículos en las tiendas) y los compradores (que eligieron la gama de productos). Anteriormente, cada grupo había trabajado de forma independiente, y los compradores modificaban las recomendaciones de IA según lo consideraban conveniente. Esto provocó un desajuste entre el inventario adquirido y el espacio disponible. Al invitar a ambos grupos a colaborar en el desarrollo ulterior de la herramienta de IA, el equipo creó un modelo más eficaz que proporcionaba una gama de opciones ponderadas a los compradores, quienes podían elegir las mejores con las aportaciones de los comerciantes. Al final del proceso, los márgenes brutos de cada categoría de productos que habían aplicado la herramienta aumentaron entre un 4% y un 7%.

Educar a todos

Para garantizar la adopción de la IA, las empresas deben educar a todos, desde los líderes superiores hasta los más altos. Con este fin, algunos están lanzando academias internas de IA, que suelen incorporar trabajo en el aula (en línea o en persona), talleres, capacitación en el trabajo e incluso visitas in situ a colegas experimentados del sector. La mayoría de las academias contratan inicialmente a profesores externos para redactar los planes de estudio e impartir formación, pero también suelen poner en marcha procesos para desarrollar capacidades internas.

Cada academia es diferente, pero la mayoría ofrece cuatro tipos generales de instrucción:

Liderazgo.

La mayoría de las academias se esfuerzan por ofrecer a los altos ejecutivos y a los líderes de las unidades de negocio una comprensión de alto nivel sobre cómo funciona la IA y las formas de identificar y priorizar las oportunidades de IA. También ofrecen discusiones sobre el impacto en las funciones de los trabajadores, las barreras para la adopción y el desarrollo del talento, y ofrecen orientación sobre cómo inculcar los cambios culturales subyacentes necesarios.

Analítica

Aquí, la atención se centra en perfeccionar constantemente las habilidades duras y blandas de los científicos de datos, ingenieros, arquitectos y otros empleados responsables del análisis de datos, la gobernanza de datos y la creación de soluciones de IA.

traductor.

Los traductores de análisis suelen proceder del personal de la empresa y necesitan formación técnica fundamental, por ejemplo, sobre cómo aplicar enfoques analíticos a los problemas empresariales y desarrollar casos de uso de IA. Su instrucción puede incluir tutoriales en línea, experiencia práctica en la observación de traductores veteranos y un «examen» final en el que deben implementar con éxito una iniciativa de IA.

10 formas de descarrilar un programa de IA

A pesar de las grandes inversiones, muchas organizaciones obtienen resultados decepcionantes gracias a sus esfuerzos de inteligencia artificial y analítica. ¿Qué hace que los programas se desorienten? Las empresas se preparan para fracasar cuando:

1. Carecen de una comprensión clara de la analítica avanzada, ya que cuentan con científicos de datos, ingenieros y otros actores clave sin darse cuenta de la diferencia entre el análisis avanzado y el análisis tradicional.
2. No evalúan la viabilidad, el valor del negocio ni los horizontes temporales, y lanzan proyectos piloto sin pensar en cómo equilibrar las ganancias a corto plazo en el primer año con los pagos a largo plazo.
3. No tienen ninguna estrategia más allá de unos pocos casos de uso, abordando la IA de forma ad hoc sin tener en cuenta las grandes oportunidades y amenazas que la IA presenta en su sector.
4. No definen claramente los roles clave, porque no entienden el conjunto de habilidades y tareas que requiere un programa sólido de IA.
5. Carecen de «traductores» o expertos que puedan tender puentes entre los ámbitos empresarial y analítico mediante la identificación de casos de uso de alto valor, la comunicación de las necesidades empresariales a los expertos en tecnología y la aceptación de los usuarios empresariales.
6. Aíslan la analítica del negocio, centralizándola rígidamente o encerrándola en silos mal coordinados, en lugar de organizarla de manera que los expertos en análisis y negocios puedan trabajar en estrecha colaboración.
7. Desperdician tiempo y dinero en la limpieza de datos de toda la empresa en lugar de alinear la consolidación y limpieza de datos con sus casos de uso más valiosos.
8. Construyen completamente plataformas de análisis antes de identificar casos de negocio, configuran arquitecturas como data lakes sin saber para qué se necesitarán y, a menudo, integran plataformas con sistemas heredados de forma innecesaria.
9. No cuantifican el impacto final de la analítica, ya que carecen de un marco de gestión del rendimiento con métricas claras para el seguimiento de cada iniciativa.
10. No se centran en las implicaciones éticas, sociales y reglamentarias, lo que los hace vulnerables a posibles errores en lo que respecta a la adquisición y el uso de datos, el sesgo algorítmico y otros riesgos, y se exponen a consecuencias sociales y legales.

Para obtener más información, lea «Diez banderas rojas que señalan que su programa de análisis fallará» en McKinsey.com.

Usuario final.

Es posible que los trabajadores de primera línea solo necesiten una introducción general a las nuevas herramientas de IA, seguida de formación en el trabajo y orientación sobre cómo usarlas. Los responsables de la toma de decisiones estratégicas, como los especialistas en marketing y el personal financiero, pueden requerir sesiones de formación de alto nivel que incorporen escenarios empresariales reales en los que las nuevas herramientas mejoren las decisiones sobre, por ejemplo, el lanzamiento de productos.

Reforzar el cambio

La mayoría de las transformaciones de IA tardan entre 18 y 36 meses en completarse, y algunas tardan hasta cinco años. Para evitar que pierdan impulso, los líderes deben hacer cuatro cosas:

Camina la charla.

El modelado a seguir es esencial. Para empezar, los líderes pueden demostrar su compromiso con la IA asistiendo a una formación académica.

Pero también deben fomentar activamente nuevas formas de trabajo. La IA requiere experimentación y, a menudo, las primeras iteraciones no funcionan según lo planeado. Cuando eso ocurra, los líderes deben destacar lo aprendido de los pilotos. Esto ayudará a fomentar la apropiada asunción de riesgos.

Los modelos a seguir más eficaces que hemos visto son humildes. Hacen preguntas y refuerzan el valor de las perspectivas diversas. 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 les ofrece las últimas. También tiene tiempo para reunirse con los empleados del negocio y de análisis cada pocas semanas para ver qué han hecho, ya sea lanzar un nuevo piloto o ampliar uno existente.

Haga que las empresas rindan cuentas.

No es raro ver que el personal de análisis se convirtió en propietario de productos de IA. Sin embargo, dado que la analítica es simplemente un medio de resolver problemas empresariales, son las unidades de negocio las que deben liderar los proyectos y ser responsables de su éxito. La propiedad debe asignarse a alguien de la empresa relevante, que debe trazar roles y guiar un proyecto de principio a fin. A veces, las organizaciones asignan distintos propietarios en distintos puntos del ciclo de vida del desarrollo (por ejemplo, para pruebas de valor, implementación y escalado). Eso también es un error, porque puede dar lugar a cabos sueltos u oportunidades perdidas.

Un cuadro de mando que capture las métricas de rendimiento del proyecto para todas las partes interesadas es una forma excelente de alinear los objetivos de los equipos de análisis y de negocio. Una compañía aérea, por ejemplo, utilizó un cuadro de mando compartido para medir la tasa de adopción, la velocidad a la plena capacidad y los resultados empresariales de una solución de IA que optimizaba los precios y las reservas.

Rastrea y facilita la adopción.

Comparar los resultados de las decisiones tomadas con y sin IA puede animar a los empleados a utilizarla. Por ejemplo, en una empresa de materias primas, los operadores descubrieron que sus previsiones no respaldadas por IA generalmente eran correctas solo la mitad del tiempo, no mejor que adivinar. Ese descubrimiento les hizo estar más abiertos a las herramientas de IA para mejorar la previsión.

Las unidades de negocio deben liderar los proyectos de IA y ser responsables de su éxito.

Los equipos que supervisan la implementación pueden corregir el rumbo según sea necesario. En un minorista norteamericano, el propietario de un proyecto de IA vio cómo los gerentes de tienda tenían dificultades para incorporar la producción de un piloto en su seguimiento de los resultados del rendimiento de la tienda. La interfaz de usuario de la IA era difícil de navegar y los conocimientos de IA generados no estaban integrados en los cuadros de mando en los que los gerentes dependían todos los días para tomar decisiones. Para solucionar el problema, el equipo de IA simplificó la interfaz y reconfiguró la salida para que el nuevo flujo de datos apareciera en el panel de control.

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 que el programa de IA de la empresa sea un éxito. En el gran conglomerado minorista, el CEO creó nuevas funciones para los mejores que participaron en la transformación de la IA. Por ejemplo, promovió al gerente de categorías que ayudó a probar la solución de optimización durante su prueba piloto para liderar su implementación en todas las tiendas, lo que demuestra visiblemente el impacto profesional que podría tener la adopción de la IA.

Por último, las empresas tienen que comprobar que los incentivos de los empleados están realmente alineados con el uso de la IA. Este no era el caso de un minorista tradicional que había desarrollado un modelo de IA para optimizar los precios de descuento y así poder eliminar existencias antiguas. El modelo reveló que a veces era más rentable disponer de existencias antiguas que venderlas con descuento, pero el personal de la tienda tenía incentivos para vender todo, incluso con grandes descuentos. Debido a que las recomendaciones de IA contradecían su práctica estándar y recompensada, los empleados empezaron a sospechar 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 actualizó finalmente el modelo de IA para reconocer la compensación entre los beneficios y los incentivos, lo que ayudó a impulsar la adopción de los usuarios y elevó los resultados.

CONCLUSIÓN

Las acciones que promueven la escala en la IA crean un círculo virtuoso. El paso de los equipos funcionales a los interdisciplinarios reúne inicialmente las diversas habilidades y perspectivas y los aportes de los usuarios necesarios para crear herramientas eficaces. Con el tiempo, los trabajadores de toda la organización absorben nuevas prácticas de colaboración. A medida que trabajan más estrechamente con colegas de otras funciones y geografías, los empleados empiezan a pensar más en grande: pasan de intentar resolver problemas discretos a reinventar por completo los modelos operativos y de negocio. 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 IA se extienden por toda la organización, las personas más cercanas a la acción son cada vez más capaces de tomar decisiones una vez tomadas por quienes están por encima de ellas, lo que aplana las jerarquías organizativas. Esto fomenta una mayor colaboración y un pensamiento aún más amplio.

Las formas en que la IA se puede utilizar para aumentar la toma de decisiones siguen expandiéndose. Las nuevas aplicaciones crearán cambios fundamentales y, a veces, difíciles en los flujos de trabajo, las funciones y la cultura, que los líderes tendrán que guiar cuidadosamente a sus organizaciones. Las empresas que sobresalen en la implementación de IA en toda la organización se encontrarán en una gran ventaja en un mundo en el que los humanos y las máquinas trabajan juntos superan a los humanos o a las máquinas que trabajan por su cuenta.

— Escrito por Tim Fountaine, Tamim Saleh Tim Fountaine,