La inteligencia artificial es, con diferencia, el tema que más entusiasmo genera en las conversaciones del diagnóstico de tecnología. También es, según los propios datos, el ámbito donde la distancia entre la ambición declarada y lo que efectivamente ocurre en la operación es más grande.
Una regla que castiga la ambición sin base
El ámbito de analítica e inteligencia artificial promedia 39,7 sobre 100, prácticamente en la misma banda que el ámbito de datos y gobierno del dato, que promedia 43,1. Esto no es casualidad: el instrumento aplica una regla explícita, el puntaje del ámbito de IA no puede superar por mucho al del ámbito de datos. La lógica es conocida por cualquiera que haya intentado automatizar sobre información sucia: sin datos confiables, cualquier proyecto de inteligencia artificial hereda los mismos problemas de calidad que ya tenía la base operativa, sólo que más rápido y a mayor escala.
Menos de un tercio tiene un caso de uso real
Sólo un 31% de las empresas de la muestra reporta casos de uso concretos donde ya esté aplicando inteligencia artificial en su operación diaria. En el resto, la idea de usar IA aparece con frecuencia en las conversaciones de diagnóstico, pero sin un caso de uso definido, sin un dueño del proyecto y, casi siempre, sin una política interna sobre qué información puede o no entrar a una herramienta externa. Eso último no es un detalle menor: usar datos de clientes o de trabajadores en herramientas de IA sin una política clara puede convertirse, más adelante, en un problema de protección de datos.
Antes de un piloto de IA
Cuatro preguntas antes de invertir tiempo o dinero en un proyecto de inteligencia artificial.
Un caso, no una estrategia
¿Hay un único proceso concreto que la IA resolvería, con dueño asignado?
Calidad del dato
¿El dato que alimentaría ese caso de uso es confiable y está ordenado?
Política de información
¿Está definido qué datos de clientes o trabajadores no pueden subirse a herramientas externas?
Medición simple
¿Se definió cómo se va a medir si el piloto realmente funcionó?
Qué hacer
- Elegir un solo caso de uso acotado, idealmente uno que ya se intentó resolver a mano y que consume tiempo real hoy, en vez de partir con una estrategia amplia de IA.
- Revisar la calidad de los datos que alimentarían ese caso de uso antes de evaluar cualquier herramienta: si el dato de origen es poco confiable, el resultado de la IA también lo será.
- Definir, aunque sea en un párrafo, qué información de clientes o trabajadores no puede subirse a una herramienta externa sin autorización, antes de que algún equipo lo haga por su cuenta.