Deje de jugar con la IA

Las iniciativas de IA en muchas organizaciones son demasiado pequeñas y demasiado provisionales. Nunca llegan al único paso que puede añadir valor económico: el despliegue a gran escala. Poner a prueba las aguas puede ofrecer información valiosa, pero probablemente no sea suficiente para lograr una verdadera transformación. Un programa piloto o un experimento solo puede llevarlo hasta cierto punto.

Los autores han identificado 30 empresas que han apostado por la IA y han logrado el éxito, así como 10 medidas que esas empresas han tomado para convertirse en adoptantes exitosas de la IA: (1) Sepa lo que quiere lograr. (2) Trabaje con un ecosistema de socios. (3) Domine la analítica. (4) Cree una arquitectura de TI modular y flexible. (5) Integre la IA en los flujos de trabajo existentes. (6) Cree soluciones para toda la organización. (7) Cree una estructura de gobierno y liderazgo de la IA. (8) Desarrolle y dote de personal los centros de excelencia. (9) Invierta continuamente. (10) Busque siempre nuevas fuentes de datos.

En otras palabras, tiene que ser lo suficientemente agresivo con la IA como para que la tecnología acabe transformando todos los aspectos de su negocio.

•••

Resumen de la idea

El problema

Muchas empresas simplemente están experimentando con la IA y no planifican ni presupuestan el despliegue completo de los sistemas de IA.

La causa

Esto suele ocurrir porque a los proyectos no se les asignan los recursos, el alcance y el tiempo suficientes.

La solución

La adopción más agresiva, combinada con la mejor integración con la estrategia y las operaciones, proporcionará, en última instancia, el mayor valor empresarial.

Si le pide a alguien que nombre una empresa que ponga la inteligencia artificial en el centro de su negocio, probablemente escuche una lista predecible de potencias tecnológicas: Alphabet (Google), Meta (Facebook), Amazon, Microsoft, Tencent y Alibaba. Sin embargo, en las organizaciones tradicionales de otros sectores, muchos líderes piensan que va más allá de las capacidades de sus empresas transformarse mediante la IA. Sin embargo, como esta tecnología es relativamente nueva, ninguna empresa estaba impulsada por la IA hace una década, por lo que todas las que han tenido éxito tuvieron que realizar las mismas tareas fundamentales: pusieron a las personas a cargo de la creación de la IA; reunieron las inversiones en datos, talento y dinero necesarias; y actuaron de la manera más agresiva posible para desarrollar las capacidades. ¿Es más fácil decirlo que hacerlo? Sí. En muchas organizaciones, las iniciativas de IA son demasiado pequeñas y tentativas; nunca llegan al único paso que puede añadir valor económico: implementar un modelo a gran escala. En una encuesta de 2019 realizada por Revisión de la gestión del MIT Sloan y Boston Consulting Group, siete de cada 10 empresas informaron que sus esfuerzos de IA habían tenido un impacto mínimo o nulo. La misma encuesta mostró que, del 90% de las empresas que habían realizado alguna inversión en IA, menos del 40% habían obtenido beneficios empresariales en los tres años anteriores. No es sorprendente: un programa piloto o un experimento solo puede llevarlo hasta cierto punto. En nuestras investigaciones de los últimos años, hemos identificado 30 empresas y agencias gubernamentales (que no siempre son conocidas por su conocimiento tecnológico) que se han centrado en la IA y han cosechado los beneficios. Muchas de las empresas compiten en sectores como la banca, la venta minorista y los productos de consumo. Tras estudiar sus trayectorias, hemos identificado 10 medidas que esas 30 organizaciones emprendieron para adoptar la IA con éxito. Para obtener un valor sustancial de la IA, su organización debe replantearse fundamentalmente la forma en que las personas y las máquinas interactúan en los entornos de trabajo. Debería centrarse en las aplicaciones que cambien el desempeño de los empleados y la forma en que los clientes interactúan con su empresa. Debería plantearse la posibilidad de implementar la IA de forma sistemática en todas las funciones y operaciones clave para respaldar los nuevos procesos y la toma de decisiones basada en los datos. Del mismo modo, la IA debería impulsar nuevas ofertas de productos y servicios y modelos de negocio. En otras palabras, la tecnología debería transformar eventualmente todos los aspectos de su negocio. Cada uno de los 10 compromisos que enumeramos en este artículo acercará a su empresa a la transformación, pero para lograrlo plenamente, debe evitar los esfuerzos fragmentarios y atacar las 10 tareas. Los ejemplos adjuntos detallan el éxito de algunas organizaciones. Su empresa puede optar por gestionar las tareas de forma diferente o abordarlas en un orden diferente. Las empresas ambiciosas tienen una idea específica de cómo pretenden aplicar la IA. Quieren tener más éxito financiero, por supuesto, pero identificar y desarrollar una IA transformadora requiere un objetivo más claro. Algunas empresas comienzan a utilizar la tecnología para mejorar la velocidad de los procesos, reducir los costes operativos o convertirse en mejores vendedores. Sea cual sea el motivo por el que utilice la IA, le recomendamos identificar un objetivo general y bien definido y convertirlo en un principio rector para su adopción.  _Las fotografías alteradas digitalmente de Carolyn Doucette investigan la presencia humana en la naturaleza._ Cuando el consultorio de auditoría y aseguramiento de Deloitte comenzó a desarrollar Omnia, una plataforma de IA patentada, en 2014, el principio rector era mejorar la calidad del servicio a nivel mundial. Crear una herramienta global en ese campo no es tan sencillo como traducir los datos a varios idiomas. Existen diferencias importantes en la forma en que los países regulan los datos, incluidas las normas de privacidad, los procesos de auditoría y la gestión de riesgos. Una parte importante de la auditoría de una empresa consiste en recopilar datos financieros y operativos en un formato que se pueda analizar fácilmente. Como las estructuras de datos difieren de una empresa a otra, extraer los datos relevantes y cargarlos en una plataforma de auditoría puede requerir mucha mano de obra. Aunque Omnia se puso a prueba con un cliente estadounidense, el objetivo de convertirla en una herramienta global creó varios desafíos únicos desde el principio, como desarrollar un modelo de datos único que funcionara en todos los clientes y regiones. Imaginar Omnia como una herramienta global antes de su creación permitió a los desarrolladores de Deloitte centrarse en estandarizar la información de diferentes empresas de diferentes países, una tarea enorme que habría supuesto aún más difícil más adelante en el proceso de desarrollo. La creación de Omnia requirió la práctica de auditoría y aseguramiento para monitorear las empresas emergentes de tecnología de todo el mundo y encontrar soluciones que se adaptaran a las necesidades de Deloitte. Sin esos socios, Deloitte habría tenido que desarrollar las tecnologías internamente, lo que habría sido posible, pero con un coste mucho mayor y en un plazo mucho más lento. Una empresa necesita asociaciones sólidas para tener éxito con la IA. Deloitte trabajó con Kira Systems, una empresa emergente con sede en Canadá con un software que extrae las condiciones contractuales de los documentos legales. Históricamente, los auditores de Deloitte tenían que leer muchos contratos y realizar esta tarea de forma manual, pero ahora la tecnología de procesamiento del lenguaje natural de Kira identifica y extrae automáticamente los términos clave. Otro socio, Signal AI, creó una plataforma que analiza los datos financieros disponibles públicamente para identificar los posibles factores de riesgo en el negocio de un cliente. Una incorporación reciente a la plataforma Omnia es Trustworthy AI, un módulo desarrollado en colaboración con Chatterbox Labs, que evalúa los modelos de IA para detectar sesgos. Los usuarios más exitosos de la IA tenían importantes iniciativas de análisis en marcha antes de pasar de lleno a la inteligencia artificial. Aunque cualquier forma de aprendizaje automático puede incluir otras tecnologías que no se basan en la analítica, como las acciones autónomas, la robótica y el metaverso, tiene la analítica en su centro, por lo que dominar la analítica es crucial para la adopción de la IA. Pero, ¿qué significa exactamente «dominar la analítica»? En este contexto, es necesario comprometerse a utilizar los datos y el análisis para la mayoría de las decisiones, lo que significa cambiar la forma de tratar a los clientes, integrar la IA en los productos y servicios y llevar a cabo muchas tareas, incluso procesos empresariales completos, de una manera más automatizada e inteligente. Y para transformar sus negocios con la IA, las empresas deben tener cada vez más datos únicos o propietarios: si todos sus competidores tienen los mismos datos, todos tendrán modelos de aprendizaje automático similares y resultados similares. Para obtener un valor sustancial de la IA, su empresa debe replantearse fundamentalmente la forma en que las personas y las máquinas interactúan en los entornos de trabajo. Seagate Technology, el mayor fabricante de unidades de disco del mundo, tiene enormes cantidades de datos de sensores en sus fábricas y los ha utilizado ampliamente durante los últimos cinco años para mejorar la calidad y la eficiencia de sus procesos de fabricación. Uno de los objetivos de este esfuerzo ha sido automatizar la inspección visual de las obleas de silicio, con las que se fabrican los cabezales de las unidades de disco, y de las herramientas que las fabrican. Se toman varias imágenes microscópicas de varios juegos de herramientas durante la fabricación de obleas. Con los datos de las imágenes, la fábrica de Seagate en Minnesota creó un sistema automatizado que permite a las máquinas encontrar y clasificar directamente los defectos de las obleas. Otros modelos de clasificación de imágenes detectan microscopios electrónicos desenfocados en las herramientas de monitorización para determinar si realmente existen defectos. Desde que estos modelos se implementaron por primera vez, a finales de 2017, su uso ha crecido considerablemente en las fábricas de obleas de la empresa en los Estados Unidos e Irlanda del Norte, lo que ha ahorrado millones de dólares en inspección, mano de obra y prevención de residuos. La precisión de la inspección visual, del 50% hace varios años, ahora supera el 90%. Los datos son la base del éxito del aprendizaje automático y los modelos no pueden hacer predicciones precisas sin grandes cantidades de datos buenos. Es justo decir que el mayor obstáculo para la mayoría de las organizaciones a la hora de ampliar los sistemas de IA es adquirir, limpiar e integrar los datos correctos. También es importante buscar activamente nuevas fuentes de datos para las nuevas iniciativas de IA, algo de lo que hablaremos más adelante en este artículo. Necesitará una forma de implementar fácilmente los datos, los análisis y la automatización en las aplicaciones empresariales. Eso requiere una infraestructura tecnológica que pueda comunicar y entender los datos de otros entornos de TI, tanto dentro como fuera de la empresa. El software de un centro de datos tradicional normalmente se diseña para comunicarse únicamente con el software del mismo centro de datos. Integrarlo con software ajeno a esa infraestructura puede llevar mucho tiempo y resultar caro. Una arquitectura de TI flexible facilita la automatización de procesos complejos, como la extracción por parte de Deloitte de los términos clave de los documentos legales. Si no puede desarrollar una arquitectura de este tipo por su cuenta (pocas pequeñas y medianas empresas pueden hacerlo), puede que tenga que asociarse con una empresa como Microsoft Azure, Amazon Web Services (AWS) o Google Cloud. Capital One, reconocida durante décadas como una potencia analítica, ha utilizado la analítica para entender los patrones de gasto de los consumidores, reducir el riesgo crediticio y mejorar el servicio de atención al cliente. (Divulgación: uno de nosotros, Tom, ha sido orador pagado en Capital One.) En 2011, Capital One tomó la decisión estratégica de reinventar y modernizar su cultura, sus procesos operativos y su infraestructura tecnológica principal. La transformación implicó pasar a un modelo ágil de entrega de software, crear una organización de ingeniería a gran escala y contratar a miles de personas para funciones digitales. También inspiró a la empresa a trasladar sus datos a la nube.  _Carolyn Doucette_ Capital One creó su arquitectura de nube en asociación con AWS. Pero antes de pasar a la nube, los ejecutivos de Capital One tuvieron que reimaginarse el futuro de la banca. Los canales digitales a los que los clientes migraban, como el sitio web y la aplicación móvil del banco, generaban muchos más datos que las interacciones presenciales, lo que daba al banco la oportunidad de entender mejor cómo interactuaban los clientes con ellos. Pasar a la nube tenía sentido desde el punto de vista estratégico, en parte porque reduciría los costes del almacenamiento de datos. En 1960, almacenar un gigabyte costaba 2 millones de dólares, según datos de la Escuela de Negocios Marshall de la USC. Ese coste se redujo a 200 000 dólares en la década de 1980, 7,70 dólares a principios de la década de 2000 y, gracias al almacenamiento en la nube, tan solo 2 centavos en 2017. El banco determinó que AWS podía proporcionar capacidad de almacenamiento de datos y computación en la nube basada en software, escalable de forma masiva y disponible al instante, a un coste mucho menor que almacenar los datos in situ. En AWS también estaban disponibles nuevas e innovadoras herramientas y plataformas de aprendizaje automático. Ya no tenía sentido que la organización de TI de Capital One creara y gestionara soluciones de infraestructura para todos estos datos. En cambio, comenzó a centrarse en el desarrollo de software y capacidades empresariales. Hoy, Capital One analiza un flujo interminable de datos de las transacciones web y móviles, los cajeros automáticos y las transacciones con tarjetas en tiempo real para satisfacer las necesidades de los clientes y prevenir el fraude. Para 2020, el banco había cerrado su último centro de datos y había trasladado todas sus aplicaciones y datos a la nube de AWS. Sin duda, muchas empresas ya han migrado los datos y las aplicaciones a la nube (o se originaron allí). A los que no lo hayan hecho les resultará más difícil convertirse en adoptadores agresivos de la IA. Los procesos empresariales inflexibles pueden ser tan limitantes como lo son las arquitecturas de TI inflexibles. Las empresas descritas en este artículo se esforzaron por integrar la IA en los flujos de trabajo diarios de los empleados y los clientes. Para ello en su organización, determine cuáles de sus flujos de trabajo están preparados para la velocidad y la inteligencia de la IA y comience a integrar la IA en ellos lo antes posible. Evite intentar meterlo en flujos de trabajo que no se beneficiarían de la velocidad y la escala de las máquinas, como los procesos empresariales que se utilizan poco y que no implican ni generan enormes cantidades de datos ni repeticiones. La integración del flujo de trabajo requiere un plan de ataque aún más específico que la tarea 1, «Sepa lo que quiere lograr». Supongamos que ha decidido que quiere mejorar el servicio de atención al cliente. Sin embargo, la integración de la IA en los flujos de trabajo actuales del servicio de atención al cliente requiere un conocimiento profundo y práctico de esos procesos que pocos altos ejecutivos tienen. Sin embargo, los empleados de línea tienen una perspectiva ideal para determinar qué procesos pueden beneficiarse de la inteligencia artificial y cómo se pueden mejorar específicamente los procesos. Algunas ramas del gobierno de EE. UU. identificaron tareas y flujos de trabajo específicos que eran ideales para la velocidad y la escala de la IA. La NASA, por ejemplo, lanzó proyectos piloto sobre cuentas por pagar y por cobrar, gastos de TI y recursos humanos. (Como resultado del proyecto de recursos humanos, el 86% de sus transacciones de recursos humanos se realizaron sin intervención humana). La Administración de la Seguridad Social ha utilizado la IA y el aprendizaje automático en su labor de adjudicación para abordar las impugnaciones derivadas del elevado número de casos y garantizar la precisión y la coherencia en la toma de decisiones. Al comienzo de la pandemia de la COVID-19, el Departamento de Asuntos de los Veteranos implementó chatbots de IA para responder a las preguntas, ayudar a determinar la gravedad de los casos confirmados y encontrar posibles lugares de ingreso de pacientes. El Laboratorio de Seguridad del Transporte de la Dirección de Ciencia y Tecnología del Departamento de Seguridad Nacional está explorando formas de incorporar la IA y el aprendizaje automático en el proceso de control de la TSA para mejorar el escaneo de pasajeros y equipaje. El Servicio de Impuestos Internos utiliza la IA para comprobar qué combinaciones de avisos formales tienen más probabilidades de inducir a un contribuyente que debe dinero a enviar un cheque. Una vez que haya probado y dominado internamente la IA en un flujo de trabajo específico, querrá ser más agresivo a la hora de desplegarla en toda la organización. En lugar de diseñar un modelo algorítmico para un proceso, su objetivo debería ser encontrar un enfoque unificado que se pueda replicar en toda la empresa. La Clínica de Cleveland tiene «la IA por todas partes», según Chris Donovan, su director ejecutivo de análisis empresarial y gestión de la información. Su grupo facilita los esfuerzos liderados por los trabajadores para desarrollar y desplegar la IA y, al mismo tiempo, ofrece enfoques de gobierno liderados por los ejecutivos. Hasta ahora, el esfuerzo lo ha impulsado una comunidad de práctica interorganizacional basada en los departamentos de análisis empresarial, TI y ética. El mayor desafío al que se enfrentan los líderes es crear una cultura que haga hincapié en las decisiones y acciones basadas en los datos y que se entusiasme con el potencial de la IA para transformar el negocio. Como la mayoría de las organizaciones que están iniciando transformaciones agresivas de la IA, la clínica se enfrenta a un enorme desafío relacionado con los datos y la analítica. Según Donovan, los hospitales tienen muchos menos datos que las organizaciones de otros sectores y es menos probable que estén limpios y bien estructurados. Los datos de Cleveland, según él, tienen problemas de calidad, se capturan mal, se ingresan de diferentes maneras e incluyen diferentes definiciones en toda la institución. Incluso se puede tomar una métrica común, como la presión arterial, mientras el paciente está de pie, sentado o en decúbito supino (normalmente con resultados variables) y se registra de diversas formas. Es necesario conocer las estructuras de datos de cada consultorio para interpretar los datos de presión arterial con precisión. En lugar de dejar la preparación de los datos en manos de cada consultorio de la clínica para cada conjunto de datos individual, el grupo de Donovan la convierte en parte de todos los proyectos de IA y se esfuerza por proporcionar conjuntos de datos útiles para todos los proyectos de IA. La Clínica de Cleveland también utiliza la IA para evaluar el riesgo en el área de la salud de la población, donde ha creado un modelo predictivo que ayuda a priorizar el uso de los escasos recursos para brindar atención a los pacientes que más lo necesitan. La puntuación de riesgo predictivo es ahora su método principal para determinar quién recibe una llamada telefónica para hacer el check-in. Un paciente diabético que tenga dificultades para controlar la enfermedad, por ejemplo, obtendría una puntuación de riesgo alto. La clínica creó otro modelo para identificar a los pacientes que corren el riesgo de contraer una enfermedad pero que no tienen antecedentes ni síntomas de la misma. Se utiliza para programar de forma proactiva su atención preventiva. CC también está trabajando para identificar a los pacientes con condiciones de vida o trabajo problemáticas que afectan a su salud; puede que necesiten un trabajador social tanto como un médico, o un pase de autobús para ir a las citas médicas. Poner a alguien a cargo de determinar cómo se despliega la inteligencia artificial en toda la organización facilita la transformación. Los mejores líderes saben lo que la IA puede hacer en general, lo que puede hacer por sus empresas y las implicaciones que puede tener para las estrategias, los modelos de negocio, los procesos y las personas. Pero el mayor desafío al que se enfrentan los líderes es crear una cultura que haga hincapié en las decisiones y acciones basadas en los datos y que haga que los empleados se entusiasmen con el potencial de la IA para mejorar el negocio. En ausencia de ese tipo de cultura, aunque algunos defensores de la IA estén dispersos por la organización, no obtendrán los recursos que necesitan para crear excelentes aplicaciones y no podrán contratar a personas geniales. Y si se crean aplicaciones de IA, la empresa no las utilizará de manera eficaz. ¿Qué tipo de líder puede fomentar la cultura adecuada? En primer lugar, ayuda que un CEO u otro ejecutivo de nivel C que esté familiarizado con la tecnología de la información dirija la iniciativa. Aunque alguien sin conocimientos técnicos pueda dirigir las iniciativas de IA en su empresa, esa persona tendría que aprender mucho y rápido. En segundo lugar, es importante que el líder trabaje en varios frentes. Las iniciativas específicas en las que decida participar variarán según la organización, pero la participación de un alto ejecutivo es especialmente importante para demostrar el interés por la tecnología, establecer una cultura de decisiones basadas en los datos, impulsar la innovación en toda la empresa y motivar a los empleados a adoptar nuevas habilidades. En tercer lugar, los líderes tienen el poder del monedero. Explorar, desarrollar e implementar la IA es caro. Los líderes deben invertir (o persuadir a los demás de que inviertan) lo suficiente como para permitir todos los niveles de adopción. Tener un solo líder de IA ayuda, pero en última instancia, el compromiso con este trabajo debe estar muy arraigado en la organización. Si los directivos superiores, intermedios e incluso de primera línea solo hablan de boquilla sobre la idea de transformarse con la IA, las cosas avanzarán despacio y lo más probable es que la organización vuelva a sus viejos hábitos. Hemos visto a algunos líderes muy comprometidos crear empresas centradas en la IA con múltiples iniciativas. Pero sus sucesores no eran creyentes, por lo que dejar de centrarse en la IA. La mayoría de los directores de IA y análisis siguen dedicando mucho tiempo a informar a otros directivos sobre el valor y el propósito de la tecnología. Los responsables de la toma de decisiones de todas las unidades de negocio deberían asegurarse de que los proyectos de IA reciban la financiación y el tiempo suficientes, y también deberían implementar la IA en su propio trabajo. Es importante informar a ese grupo sobre el funcionamiento de la IA, cuándo es apropiado y lo que implica un compromiso importante con ella. Para la gran mayoría de las empresas, aún es pronto para este trabajo de mejora y reciclaje, y no todos los empleados necesitan formación en IA. Pero es evidente que algunos sí, y probablemente cuantos más, mejor. Todas las empresas a las que se hace referencia en este artículo se dieron cuenta de que, para tener éxito, necesitaban un talento y una formación considerables en IA, ingeniería de datos y ciencia de datos. Los responsables de la toma de decisiones de todas las unidades de negocio deberían asegurarse de que los proyectos de IA reciban la financiación y el tiempo suficientes, y también deberían implementar la IA en su propio trabajo. Cuando Piyush Gupta se incorporó a DBS Bank como CEO, en 2009, era el banco con la valoración más baja de Singapur en cuanto a servicio de atención al cliente. Gupta ha invertido mucho en la experimentación con la IA (unos 300 millones de dólares al año en los últimos años) y ha dado a las unidades de negocio y funciones la flexibilidad de contratar científicos de datos para ver lo que pueden lograr. El director de recursos humanos del banco, que no tenía formación técnica, creó un pequeño grupo de trabajo para identificar y poner a prueba las aplicaciones de IA, incluido Jim, el maestro de inteligencia laboral, un modelo que predice la deserción de personal y ayuda al banco a contratar a los empleados más cualificados. DBS lo utilizó para contratar a muchos de los 1000 científicos e ingenieros de datos que trabajan en la organización en la actualidad. DBS tiene ahora el doble de ingenieros que de banqueros, afirma Gupta. Trabajan en tecnologías emergentes, como la cadena de bloques y los tokens respaldados por activos, así como en proyectos de IA. Y la cultura del banco ha mejorado considerablemente. Eurodinero nombró a DBS el mejor banco del mundo en cada uno de los cuatro años comprendidos entre 2018 y 2021, y sus posiciones de capital y calificaciones crediticias se encuentran ahora entre las más altas de la región de Asia y el Pacífico. En 2019 Harvard Business Review nombró a Gupta el 89º CEO con mejor desempeño del mundo. Elegir ser agresivo con la IA no es una decisión que los líderes tomen a la ligera. Esa medida tendrá una gran influencia en la empresa durante décadas y, para las grandes empresas, puede implicar, en última instancia, cientos de millones o miles de millones de dólares. Todos los que han adoptado la IA con éxito nos dijeron que ese es el coste de comprometerse con una adopción ambiciosa de la IA a nivel empresarial. Al principio, estos compromisos de recursos pueden dar miedo a las organizaciones. Pero tras ver los beneficios que obtenían de los primeros proyectos, las empresas impulsadas por la IA que investigamos descubrieron que era mucho más fácil gastar en datos, tecnologías y personas orientados a la IA. CCC Intelligent Solutions, por ejemplo, ha gastado y espera seguir gastando más de 100 millones de dólares al año en IA y datos. (Divulgación: Tom ha sido orador pagado para CCC.) La empresa se fundó en 1980 como Certified Collateral Corporation. Se creó originalmente para proporcionar información sobre la valoración de los coches a las aseguradoras. Si ha tenido un accidente de coche que ha requerido importantes trabajos de reparación, probablemente se haya beneficiado de la toma de decisiones de CCC basada en los datos, el ecosistema y la IA. A lo largo de sus más de 40 años, CCC ha evolucionado para recopilar y gestionar cada vez más datos, establecer cada vez más relaciones con las partes del sector de los seguros de automóviles y tomar cada vez más decisiones con datos, análisis y, finalmente, la IA. Durante los últimos 23 años, la empresa ha estado dirigida por Githesh Ramamurthy, quien anteriormente fue su director de tecnología. CCC ha disfrutado de un sólido crecimiento y sus ingresos anuales se acercan a los 700 millones de dólares. Los modelos de aprendizaje automático de CCC se basan en afirmaciones históricas valoradas en más de un billón de dólares, miles de millones de imágenes históricas y otros datos sobre piezas de automóviles, talleres de reparación, lesiones por colisión y reglamentos. También ha recopilado datos históricos de más de 50 000 millones de millas a través de la telemática y los sensores de los vehículos. Proporciona datos y, cada vez más, decisiones, a un amplio ecosistema de unas 300 aseguradoras, 26 000 centros de reparación, 3 500 proveedores de piezas y todos los principales fabricantes de equipos originales de automóviles. El objetivo de CCC es vincular a esas diversas organizaciones en un ecosistema fluido para procesar las reclamaciones con rapidez. Todas esas transacciones se realizan en la nube, donde están basados los sistemas de CCC desde 2003. Conectan 30 000 empresas y 500 000 usuarios individuales y procesan transacciones comerciales por valor de 100 000 millones de dólares al año. Como puede imaginar, llegar a este punto ha sido caro y ha llevado mucho tiempo. La recopilación de datos no suele ser un problema para las grandes empresas, pero las estrategias de IA se basan en gran medida en los datos que se puedan recopilar. Más datos son buenos. Los datos más precisos son fantásticos. Lo ideal es disponer de datos estructurados y más precisos que se puedan aplicar a los modelos de IA de forma inmediata. Integrar los datos de los sistemas de los clientes fue quizás el componente más difícil del viaje de Deloitte a la IA. Capital One siempre tuvo datos sólidos, pero necesitaba una forma de almacenarlos y utilizarlos dentro de una arquitectura de TI flexible. CCC comenzó a acumular datos con su primer modelo de negocio y, por lo tanto, estaba bien preparada para el cambio a un modelo basado en la IA. Pero la transición de CCC de una empresa orientada a los datos a una orientada a la IA se consolidó cuando aprendió a utilizar un enorme tesoro de datos que no existía cinco años antes. Cuando piense en los datos, no dé por sentado que son solo palabras y números. Para CCC, las imágenes de los vehículos representan datos que se pueden aplicar a varios procesos críticos. CCC había acumulado miles de millones de imágenes a lo largo de su historia, pero las tomaron ajustadores en el lugar de los daños del vehículo o en talleres de reparación. Esas fotos requerían cámaras profesionales con tarjetas gráficas especiales para almacenar y enviar las imágenes. Alrededor de 2012, los ejecutivos de CCC se dieron cuenta de que las cámaras de aficionados mejoraban a un ritmo rápido y se estaban incorporando a los teléfonos inteligentes. Imaginaron un futuro en el que los propietarios de los vehículos dañados pudieran tomar sus propias fotos para obtener las estimaciones del seguro y enviarlas directamente desde sus teléfonos. Los ejecutivos esperaban que, sin necesidad de fotógrafos ni cámaras profesionales, el proceso fuera más rápido y rentable. Contrataron a varios profesores de las principales universidades para que exploraran la capacidad. Mientras tanto, los ejecutivos de CCC empezaron a leer sobre un nuevo enfoque de IA para el análisis de imágenes (redes neuronales de aprendizaje profundo) que, con suficientes datos de entrenamiento, a veces podía igualar o superar el análisis humano. CCC reunió un grupo de talentosos científicos de datos que aprendieron a mapear fotos en la estructura de varios vehículos y a anotar o etiquetar las fotos con fines de entrenamiento. A mediados de 2021, el sistema estaba listo para su despliegue y USAA se incorporó como uno de sus primeros clientes. El círculo virtuoso de más datos, mejores modelos, más negocios y más datos es lo que hace que la aplicación de CCC de imágenes de teléfonos inteligentes sea tan poderosa. La empresa seguirá recibiendo nuevos datos y se utilizarán para mejorar las predicciones de las estimaciones y otras funciones. Eso ayudará a los clientes de CCC a tomar mejores decisiones, lo que probablemente le dé a CCC más negocios y más datos. ### . . . Creemos que las empresas que adopten la IA más enérgicamente, la mejor integración con la estrategia y las operaciones y la mejor implementación obtendrán el mayor valor empresarial. Saber lo que hacen los principales usuarios puede ayudar a otros a evaluar el potencial de la tecnología para transformar su negocio. Su organización puede tomar las 10 medidas que se describen aquí para avanzar en la misma dirección. También creemos que la IA, aplicada estratégicamente y en grandes dosis, será fundamental para el éxito de casi todas las empresas en el futuro. Los datos aumentan a un ritmo rápido y eso no va a cambiar. La IA es una forma de dar sentido a los datos a escala y de garantizar decisiones inteligentes en toda la organización. Eso tampoco va a cambiar. La inteligencia artificial llegó para quedarse. Las empresas que lo apliquen con vigor dominarán sus industrias durante las próximas décadas. _Nota del editor: Thomas H. Davenport y Nitin Mittal son los autores de_ [Todo en torno a la IA: cómo las empresas inteligentes triunfan con la inteligencia artificial](https://www.amazon.com/All-AI-Companies-Artificial-Intelligence/dp/1647824699) _(Harvard Business Review Press, 2023), del que es una adaptación de este artículo._ Read more on [**Technology and analytics**](/topic/subject/technology-and-analytics?ab=articlepage-topic) or related topics [**AI and machine learning**](/topic/subject/ai-and-machine-learning?ab=articlepage-topic), [**Data management**](/topic/subject/data-management?ab=articlepage-topic), [**Leadership**](/topic/subject/leadership?ab=articlepage-topic), [**Analytics and data science**](/topic/subject/analytics-and-data-science?ab=articlepage-topic) and [**Organizational development**](/topic/subject/organizational-development?ab=articlepage-topic)