Esta es la razón por la que la IA aún tiene que remodelar la mayoría de las empresas

Dibujo conceptual de botella de perfume y red de IA Derek Brahney

El arte de hacer perfumes y colonias no ha cambiado mucho desde la década de 1880, cuando se empezaron a utilizar ingredientes sintéticos. Expertos creadores de fragancias juegan con combinaciones de productos químicos con la esperanza de producir nuevos aromas convincentes. Así que Achim Daub, ejecutivo de uno de los mayores fabricantes de fragancias del mundo, Symrise, se preguntó qué pasaría si inyectara inteligencia artificial en el proceso. ¿Sugeriría una máquina fórmulas atractivas que a un humano no se le ocurriría probar?

Daub contrató a IBM para diseñar un sistema informático que estudiara minuciosamente grandes cantidades de información (las fórmulas de las fragancias existentes, los datos de los consumidores, la información reglamentaria, etc.) y luego sugiriera nuevas formulaciones para mercados particulares. El sistema se llama Philyra, en honor a la diosa griega de la fragancia. Dejando de lado el nombre evocador, no puede oler nada, por lo que no puede reemplazar a los perfumistas humanos. Pero les da una ventaja para crear algo novedoso.

Esta historia fue parte de nuestra edición de marzo de 2019

• Ver el resto del número
• Suscribir

Daub está complacido con el progreso hasta ahora. Dos fragancias dirigidas a clientes jóvenes en Brasil saldrán a la venta en junio. Solo unos pocos de los 70 diseñadores de fragancias de la compañía han estado usando el sistema, pero Daub espera eventualmente implementarlo para todos ellos.

Sin embargo, tiene cuidado de señalar que llegar tan lejos tomó casi dos años y requirió inversiones que aún tardarán un tiempo en recuperarse. Las sugerencias iniciales de Philyra fueron horribles: seguía sugiriendo recetas de champú. Después de todo, analizó los datos de ventas y el champú se vende mucho más que perfume y colonia. Ponerlo en marcha requirió mucho entrenamiento por parte de los perfumistas de Symrise. Además, la compañía todavía está luchando con las costosas actualizaciones de TI que han sido necesarias para enviar datos a Philyra desde diferentes sistemas de mantenimiento de registros mientras se mantiene la confidencialidad de parte de la información de los propios perfumistas. Es una especie de curva de aprendizaje empinada, dice Daub. No estamos ni cerca de tener la IA firme y completamente establecida en nuestro sistema empresarial.

El negocio de los perfumes no es el único que adopta el aprendizaje automático sin ver cambios rápidos. A pesar de lo que pueda escuchar sobre la IA que está arrasando en el mundo, las personas en una amplia gama de industrias dicen que la tecnología es difícil de implementar. Puede ser costoso. Y la recompensa inicial suele ser modesta.

Una cosa es ver avances en inteligencia artificial que pueden superar a los grandes maestros de Go, o incluso tener dispositivos que encienden música a tu disposición. Otra cosa es usar la IA para hacer más que cambios incrementales en negocios que no son inherentemente digitales.

Esto no significa que la IA esté sobrevalorada. Pero los algoritmos son una pequeña parte de lo que realmente importa en la remodelación de cómo se hacen los negocios.

La IA podría eventualmente transformar la economía, al hacer posibles nuevos productos y nuevos modelos de negocios, al predecir cosas que los humanos no podrían haber previsto y al liberar a los empleados de la monotonía. Pero eso podría tomar más tiempo de lo esperado o temido, dependiendo de dónde se siente. La mayoría de las empresas no están generando una producción sustancialmente mayor a partir de las horas que dedican sus empleados. Tales ganancias de productividad son mayores en las empresas más grandes y ricas, que pueden permitirse gastar mucho en el talento y la infraestructura tecnológica necesaria para hacer que la IA funcione bien.

Esto no significa necesariamente que la IA esté sobrevalorada. Es solo que cuando se trata de remodelar la forma en que se hacen los negocios, los algoritmos de reconocimiento de patrones son una pequeña parte de lo que importa. Mucho más importantes son los elementos organizativos que se transmiten desde el departamento de TI hasta la primera línea de una empresa. Prácticamente todo el mundo tiene que estar en sintonía con el funcionamiento de la IA y dónde están sus puntos ciegos, especialmente las personas de las que se espera que confíen en sus juicios. Todo esto requiere no solo dinero, sino también paciencia, meticulosidad y otras habilidades esencialmente humanas que con demasiada frecuencia escasean.

buscando unicornios

En septiembre pasado, un científico de datos llamado Peter Skomoroch tuiteó: Como regla general, puede esperar que la transición de su empresa empresarial al aprendizaje automático sea 100 veces más difícil que su transición a la tecnología móvil. Parecía una broma, pero Skomoroch no bromeaba. Varias personas le dijeron que estaban aliviadas de saber que sus empresas no estaban solas en sus luchas. Creo que hay mucho dolor por ahí: expectativas infladas, dice Skomoroch, director ejecutivo de SkipFlag, una empresa que dice que puede convertir las comunicaciones internas de una empresa en una base de conocimientos para los empleados. La IA y el aprendizaje automático se consideran polvo de hadas mágico.

Uno de los mayores obstáculos es lograr que sistemas dispares de mantenimiento de registros se comuniquen entre sí. Ese es un problema al que se ha enfrentado Richard Zane como director de innovación de UC Health, una red de hospitales y clínicas médicas en Colorado, Wyoming y Nebraska. Recientemente lanzó un agente de software conversacional llamado Livi, que utiliza tecnología de lenguaje natural de una empresa nueva llamada Avaamo para ayudar a los pacientes que llaman a UC Health o usan el sitio web. Livi les indica que renueven sus recetas, reserva y confirma sus citas, y les muestra información sobre sus condiciones.

Zane está complacido de que con Livi manejando consultas de rutina, el personal de UC Health puede dedicar más tiempo a ayudar a los pacientes con problemas complicados. Pero reconoce que este asistente virtual hace poco de lo que la IA podría hacer eventualmente en su organización. Es solo la punta del iceberg, o cualquiera que sea la versión positiva de eso, dice Zane. Llevó un año y medio implementar Livi, en gran parte debido a los dolores de cabeza de TI relacionados con la vinculación del software a los registros médicos de los pacientes, los datos de facturación del seguro y otros sistemas hospitalarios.

Configuraciones similares también afectan a otras industrias. Algunos grandes minoristas, por ejemplo, guardan los registros de la cadena de suministro y las transacciones de los consumidores en sistemas separados, ninguno de los cuales está conectado a almacenes de datos más amplios. Si las empresas no se detienen y construyen conexiones entre dichos sistemas, el aprendizaje automático funcionará solo en algunos de sus datos. Eso explica por qué los usos más comunes de la IA hasta ahora han involucrado procesos comerciales que están aislados pero que, sin embargo, tienen abundante información, como la seguridad informática o la detección de fraudes en los bancos.

Incluso si una empresa obtiene datos que fluyen de muchas fuentes, se necesita mucha experimentación y supervisión para asegurarse de que la información sea precisa y significativa. Cuando Genpact, una empresa de servicios de TI, ayuda a las empresas a lanzar lo que consideran proyectos de IA, el 10 % del trabajo es IA, dice Sanjay Srivastava, director digital. El noventa por ciento del trabajo es en realidad extracción, limpieza, normalización y disputa de datos.

Esos pasos pueden parecer perfectos para Google, Netflix, Amazon o Facebook. Pero esas empresas existen para capturar y usar datos digitales. También cuentan con un personal de lujo con doctorados en ciencia de datos, informática y campos relacionados. Eso es diferente al rango y archivo de la mayoría de las empresas empresariales, dice Skomoroch.

De hecho, las empresas más pequeñas a menudo requieren que los empleados profundicen en varios dominios técnicos, dice Anna Drummond, científica de datos de Sanchez Oil and Gas, una empresa de energía con sede en Houston. Sánchez recientemente comenzó a transmitir y analizar datos de producción de pozos en tiempo real. No creó la capacidad desde cero: compró el software de una empresa llamada MapR. Pero Drummond y sus colegas todavía tenían que asegurarse de que los datos del campo estuvieran en formatos que una computadora pudiera analizar. El equipo de Drummond también se involucró en el diseño del software que enviaría información a las pantallas de los ingenieros. Las personas expertas en todas esas cosas no son fáciles de encontrar, dice ella. Es como unicornios, básicamente. Eso es lo que está ralentizando la adopción de la IA o el aprendizaje automático.

Fluor, una gran empresa de ingeniería, pasó cerca de cuatro años trabajando con IBM para desarrollar un sistema de inteligencia artificial para monitorear proyectos de construcción masivos que pueden costar miles de millones de dólares e involucrar a miles de trabajadores. El sistema inhala datos tanto numéricos como en lenguaje natural y alerta a los gerentes de proyectos de Fluor sobre problemas que luego podrían causar retrasos o sobrecostos.

Los científicos de datos de IBM y Fluor no necesitaron mucho tiempo para simular los algoritmos que usaría el sistema, dice Leslie Lindgren, vicepresidenta de administración de información de Fluor. Lo que tomó mucho más tiempo fue refinar la tecnología con la estrecha participación de los empleados de Fluor que utilizarían el sistema. Para que pudieran confiar en sus juicios, necesitaban tener información sobre cómo funcionaría y tenían que validar cuidadosamente sus resultados, dice Lindgren.

Para desarrollar un sistema como este, tiene que traer a sus expertos de dominio de la empresa, me refiero a su mejor gente, dice ella. Eso significa que tienes que sacarlos de otras cosas. El uso de personas de alto nivel fue esencial, agrega, porque construir el motor de IA era demasiado importante, demasiado largo y demasiado costoso para que lo hicieran de otra manera.

Las semillas de la IA

Una vez que surge una innovación, ¿con qué rapidez se difundirá a través de la economía? El economista Zvi Griliches brindó algunas respuestas fundamentales en la década de 1950 al observar el maíz.

Griliches examinó las tasas a las que los agricultores de maíz en varias partes del país cambiaron a variedades híbridas que tenían rendimientos mucho más altos. Lo que le interesaba no era tanto el maíz en sí mismo sino el valor de los híbridos como lo que hoy llamaríamos una plataforma para futuras innovaciones. El maíz híbrido fue la invención de un método de inventar, un método de producir maíz superior para localidades específicas, escribió Griliches en un artículo histórico en 1957.

Los híbridos se introdujeron en Iowa a fines de la década de 1920 y principios de la de 1930. Para 1940 representaban casi todo el maíz sembrado en el estado. Pero la curva de adopción no fue tan pronunciada en lugares como Texas y Alabama, donde los híbridos se introdujeron más tarde y cubrieron aproximadamente la mitad de la superficie cultivada de maíz a principios de la década de 1950. Una de las principales razones es que las semillas híbridas eran más caras que las semillas convencionales y los agricultores tenían que comprar nuevas cada año. Cambiar a la nueva tecnología fue una propuesta más arriesgada para las granjas en estos estados que en el cinturón de maíz más rico y productivo del Medio Oeste.

Lo que Griliches captó, y lo que los economistas posteriores confirmaron, es que la difusión de las tecnologías está determinada menos por las cualidades intrínsecas de las innovaciones que por las situaciones económicas de los usuarios. La pregunta clave de los usuarios no es, como lo es para los tecnólogos, ¿Qué puede hacer la tecnología? pero ¿Cuánto nos beneficiará invertir en ella?

Hoy en día, el aprendizaje automático sustenta todos los aspectos de las operaciones de empresas como Facebook, Google, Amazon y muchas nuevas empresas. Está haciendo que estas empresas sean excepcionalmente ricas. Pero fuera de ese cinturón de IA, las cosas se mueven mucho más lentamente, por razones económicas racionales.

En Symrise, Daub cree que el proyecto de IA de perfumes cayó en un punto óptimo. Fue un experimento a una escala relativamente pequeña, pero implicó trabajo real para un cliente de fragancias y no fue una mera simulación de laboratorio.

Todos estamos bajo mucha presión, dice. En realidad, nadie tiene tiempo para hacer un aprendizaje nuevo adicional. Sin embargo, incluso esto requirió un acto de fe en la tecnología. Se trata de convicción, dice. Tengo una convicción muy fuerte de que la IA desempeñará un papel en la mayoría de las industrias que vemos hoy, algunas de manera más predominante. Ignorarlo por completo no es una opción.

esconder