La IA llega a la empresa: cuatro modelos de decisiones con inteligencia artificial | Harvard Business Review en Español
![](https://lh3.googleusercontent.com/blogger_img_proxy/AEn0k_sWzyhRdSAElCTGgP1LgJU_MY_cQtw7COBRHmd8JN1VZfesxoDZTCAs-BJSozqoGf8SNMsWTw8fn5TDNj_mnyxVVgZOd9QEhWey1tlg4C4PQwoLKUJYRerHets=s0-d)
Cuatro modelos para tomar decisiones con inteligencia artificial
18.04.2017
Los CEO más carismáticos disfrutan cuando lideran e inspiran a otras personas, por lo que nos les gusta delegar las decisiones críticas sobre el negocio en algoritmos inteligentes. ¿Quién querría que un astuto código informático le mandase? Pero ese futuro ya ha llegado. En algunas de las empresas más exitosas –como Google, Netflix, Amazon, Alibaba, y Facebook–, son algoritmos autónomos, no talentosos mánagers, quienes tienen cada vez más la última palabra. Los MBA (del inglés Management by Algorithm, gestión por algoritmo en español) son la nueva norma.
Los ejecutivos comprometidos con la búsqueda de la excelencia a partir de los datos aceptan el hecho de que los algoritmos inteligentes necesitan una mayor autonomía para funcionar con éxito. Empoderar los algoritmos hoy es igual de relevante para una organización que empoderar a las personas. Pero sin unas líneas claras que seguir en aspectos como la autoridad y la rendición de cuentas, un empoderamiento en paralelo garantiza el conflicto eterno entre la inteligencia humana y la artificial.
La computación autónoma requiere que los altos ejecutivos vuelvan a evaluar el cómo y por qué de delegar sus decisiones en este tipo de algoritmos. Los CEO necesitan aclarar cuándo debe deferir el talento hunano ante el juicio algorítmico. Es complicado. Las conversaciones más incómodas que escucho dentro de una junta directiva sobre el aprendizaje de máquinas tienen que ver con cuánto poder y autoridad debe tener un software superinteligente. Los mismos ejecutivos que no habrían dudado en automatizar una fábrica, vacilan frente a la idea de que sea un algoritmo de aprendizaje profundo el que decida su estrategia de venta y capex (inversiones en bienes de capitales). Las implicaciones del éxito les asustan más que el riesgo de fracasar.
"¿Significa esto que una máquina determinará las licitaciones a las que nos presentamos?", preguntó el responsable de una unidad de negocio europea que opera con miles de millones de euros. Sí, eso era exactamente lo que significaba. Los equipos de ciencia de datos, contrataciones y cadena de suministro de su grupo ya habían elaborado conjuntos algorítmicos que, según todas las mediciones y simulaciones, ahorrarían cientos de millones de euros. Es más, responderían incluso 10 veces más rápido a los cambios en el mercado que los procesos existentes y con tan solo una mínima intervención humana. El equipo directivo tendría que confiar en su software de licitación computacionalmente brillante. Ese era el reto. Pero el CEO se negaba a –o no podía– apretar el gatillo de la autonomía.
"Se necesita un director de IA", le contó el director científico de Baidu, Andrew Ng, a Fortune durante la Feria de Electrónica de Consumo celebrada en enero de 2017. Tal vez. Pero los CEO que se tomen en serio hacer frente a la oportunidad y el riesgo de la autonomía computacional deberían considerar cuatro opciones organizativas cuyo éxito ya se ha demostrado en el mundo real. ¿Las malas noticias? Los petabytes de nuevos datos y la innovación algorítmica garantizan que el avance de los algoritmos desafiará de manera implacable a la supervisión humana desde dentro.
1. El asesor autónomo/de autonomía
McKinsey, Bain y BCG son los modelos de gestión posibles. Los algoritmos autónomos se consideran y tratan como los mejores asesores estratégicos que se pueda tener, pero son los mismos que nunca desaparecerán. El trabajo de los algoritmos promueve la revisión de decisiones y ofrece recomendaciones de manera continua a partir de los datos procesados. Los algoritmos toman la iniciativa sobre qué analizar e informan al equipo directivo de sus hallazgos. Pero solo el comité de supervisión humana aprueba lo que se "automatiza" y cómo se implementa.
En teoría, los retos organizacionales de la autonomía algorítmica se corresponden prácticamente con los procesos y sistemas que se están automatizando. En realidad, se ha comprobado que los "relevos" y las transiciones implican problemas operativos importantes. El enfoque de arriba a abajo para la automatización produce sin duda roces entre personas y procesos. En una empresa minorista de Estados Unidos, un conjunto autónomo de algoritmos sustituyó a todo el departamento de comercialización. El equipo directivo mandó a los encargados de tienda y el resto de la plantilla respetar las peticiones y obedecer las órdenes de sus nuevos "compañeros"; la animadversión y la resistencia fueron notables. Pronto se instaló un software de auditoría y se designaron supervisores humanos para garantizar el cumplimiento.
En este modelo, los científicos de datos son interlocutores y embajadores que median entre el comité de supervisión de la autonomía y los objetivos de implementación de algoritmos. A menudo encuentran que la tecnología da menos problemas que las personas. Normalmente, son ellos quienes se convierten en el saco de boxeo de cada uno de los bandos. Son los encargados de bloquear los intentos de engañar a los algoritmos. Deben su lealtad y rendición de cuentas al equipo directivo.
2. El subcontratista de autonomía
"Accenturazon" –parte Accenture, parte Amazon Web Services– es el ejemplo de gestión en este caso. La subcontrata de procesos de negocio se convierte en la algoritmización de procesos. Las mismas sensibilidades y oportunidades económicas que hacen atractiva la subcontratación se convierten en principios de la gestión para la autonomía computacional.
Se necesitan por lo tanto una descripción y reparto tan claro como el agua de las tareas a llevar a cabo así como de los entregables necesarios. La ambigüedad es el enemigo: un acuerdo sobre el servicio definido con nitidez así como una rendición de cuentas explícita de los KPI o indicadores claves es esencial. Los propietarios de los procesos deben decidir la asignación de recursos y si la autonomía algorítmica debería dar paso a una mayor innovación, una mayor optimización o las dos cosas. La predictibilidad y la fiabilidad de un proceso es lo que más importa, y la autonomía representa un medio para alcanzarlas.
Al igual que ocurre con la subcontratación, la flexibilidad, la capacidad de respuesta y la interoperabilidad siempre suelen presentar algún tipo de problemas. El énfasis en los entregables definidos en un primer momento subvierte otras iniciativas que podrían crear valor a partir del desarrollo de la autonomía o la búsqueda de nuevas oportunidades. La empresa construye un porfolio brillante de conjuntos autónomos pero con apenas sinergias entre ellos. Los equipos directivos más inteligentes, en cambio, diseñan sus iniciativas accenturazónicas autónomas con la interoperabilidad en mente.
Los científicos de datos en los escenarios de algoritmización de procesos empresariales se convierten en gestores de proyecto. Aportan coherencia técnica y regularidad a los acuerdos de nivel de servicio (ANS) a la vez que que definen los estándares de calidad para los datos y algoritmos necesarios. Se convierten en el apoyo de los propietarios y responsables de los procesos elegidos para convertirse en autónomos.
3. El desafiante/desafiado empleado autónomo de primera categoría
Incluso la más brillante de las mentes puede tener alguna limitación intrínseca, y en ese sentido los algoritmos se parecen a los genios humanos más excéntricos. ¿Pueden los mánagers y empleados convencionales colaborar de manera eficaz con entidades autónomas innegablemente brillantes aunque de capacidad limitada? En este entorno empresarial, el software inteligente se instala en las áreas en las que la autonomía computacional pueda complementar de forma medible, o sustituir, los resultados deseados. La empresa forma correctamente a su personal para contratar y trabajar con los mejores (y más inteligentes) algoritmos del mundo.
En este tipo de empresas, el software es tratado como un compañero al que se valora: la mayoría de las veces llega a la respuesta correcta, y si no a la mejor. Empresas como Netflix y Alibaba trabajan con este modelo de gestión. No puedo hablar en cambio demasiado bien del excelente análisis de Steve Levy en Backchannel sobre el compromiso de Google para convertirse en una empresa de "aprendizaje de máquinas primero".
"El modelo de aprendizaje de máquinas no es un conjunto estático de código, sino que le alimenta constantemente de datos", explica un ingeniero de Google. "Actualizamos continuamente los modelos y el aprendizaje, añadiendo más datos y refinando la manera en la que haremos las predicciones. Parece una cosa que vive y respira. Es un tipo distinto de ingeniería".
Mezclar la autonomía de las personas y las máquinas nubla necesariamente la responsabilidad de la organización. En entornos con una evolución tan rápida, las personas responsables de proyectos y programas no siempre pueden saber si lograrán mejores resultados a través de reeducar a las personas o reeducar a los algoritmos. Dicho eso, una cultura de cocreación y colaboración se convierte en la única manera de triunfar.
Los científicos de datos ejercen de facilitadores. Actúan como el departamento de recursos autónomos frente a recursos humanos. Se encargan de desarrollar bots de conversación y adoptar interfaces del estilo de Alexa para facilitar y simplificar la colaboración y el compañerismo. Buscan minimizar la discriminación, el favoritismo y las tensiones en las relaciones persona-máquina. Los equipos directivos dependen de ellos para entender la enorme transformación cultural que implica una autonomía generalizada.
4. Autonomía absoluta
Renaissance Technologies y otros fondos de inversión incluso más herméticos son ahora el ejemplo. Estas organizaciones están totalmente comprometidas con permitir que la autonomía algorítmica lleve la empresa hasta fronteras desconocidas de innovación, rentabilidad y riesgo. Sus resultados deberían inspirar humildad entre los que privilegian la acción humana.
Un analista cuantitativo de un fondo de inversiones de Nueva York (EEUU), que realiza más transacciones en una semana que una empresa de la lista Fortune 250 en un año, confesó: "Llevó años que confiáramos lo suficiente en los algoritmos como para resistirnos a la tentación de ignorar sus resultados [...] Aún hay transacciones [ocasionales] que no ejecutamos y [no hacerlas] casi siempre nos cuesta dinero".
Las empresas buscan aprovechar, amplificar y conectar en red los sistemas autónomos para crear una ventaja competitiva autosuficiente. Para ello, utilizan software de aprendizaje de máquinas para entrenar mejor el software de aprendizaje de máquinas. Los algoritmos de aprendizaje de máquinas ejecutan pruebas de estrés y gestionan el riesgo de otros algoritmos de aprendizaje de máquinas.
La autonomía es el centro de gravedad tanto organizativo como operativo para la innovación y el crecimiento. La gente es contratada y despedida en función de su capacidad para ampliar los límites algorítmicos de una autonomía exitosa.
El liderazgo de estas organizaciones exige humildad y la voluntad de convertir la confianza en las cifras en prácticamente un acto de fe. Tanto los investigadores académicos de finanzas computacionales como los gestores de fondos de inversión comentan que a menudo llevan a cabo operaciones financieras que los humanos no entienden ni literal ni cognitivamente. Una de las áreas más candentes de las investigaciones de aprendizaje profundo es el desarrollo de software de metainteligencia que genere razonamientos y narrativas para explicar a los humanos las decisiones de que las propias máquinas toman a partir de datos.
La gestión del riesgo y la necesidad de lograr una comprensión humana accesible sobre el alcance de la autonomía compleja domina la mayor parte de la ciencia de datos que se practica en las empresas que apuestan por una autonomía algorítmica absoluta.
Lo cierto es que estos cuatro modelos de gestión antropomorfizan los algoritmos autónomos. Es decir, el software no se trata como líneas de código inertes, sino que se hace como si fueran seres con algún tipo de voluntad que se puede medir y de la que se hacen responsables. En cada modelo, el equipo de dirección busca correctamente una mayor transparencia y accesibilidad a lo que les motiva. Una mayor supervisión del proceso dará paso a más conocimientos a medida que avanzan las capacidades autónomas de los algoritmos.
Los consejeros delegados y el resto de la junta directiva deben monitorizar y supervisar este proceso de cerca. También deben promocionar los casos de uso, las simulaciones y los escenarios para realizar pruebas de estrés con algunas de las situaciones límites que definan para sus conjuntos algorítmicos. Sin embargo, es conveniente evitar mezclar o combinar estos cuatro enfoques entre sí. La clave para lograr que funcionen consiste en integrar la rendición de cuentas, la responsabilidad y los resultados desde un inicio en cada uno de ellos. Cómo se delega, dirige y decide la autoridad debe estar claro.
Mientras que esa máxima se basa en la observación y participación anecdóticas, no en un análisis estadístico, nunca se deben subestimar el impacto que un cambio radical en la distribución del poder y la influencia puede tener sobre la auoestima y profesionalidad de la plantilla. Por eso los CEO deberían preocuparse menos por llamar al orden a la autonomía, por someterla, y más por convertirla en una potente fuente y fuerza de ventaja competitiva.
Sin duda alguna, sus rivales más inteligentes serán otros algoritmos autónomos impulsados por datos.
No hay comentarios.:
Publicar un comentario