El dilema de la inteligencia artificial: por qué su uso no despega aunque se invierten millones
Si bien cada vez se invierte más en esta tecnología disruptiva, la cantidad de proyectos que llegan a entregar verdadero valor a las organizaciones continúa en niveles bajos. ¿Qué falta para dar el salto?
No es que falte inversión ni interés: la consultora de mercado Gartner estima que al final de este año se habrán destinado en todo el mundo unos US$ 62.500 millones en soluciones de inteligencia artificial (IA). Sin embargo, los resultados no estarían hasta el momento a la altura de las expectativas.
Julio César Blanco, responsable de la comisión de tecnología e innovación de Interact y director global de Innovación de la empresa especializada en experiencia del usuario Zentricx, cita fuentes de Europa y Estados Unidos para concluir que hasta 2022 solo tendrán éxito el 15 por ciento de los casos de uso que aprovechan las técnicas de IA, como machine learning (ML), las redes neuronales profundas (DNN) o internet de las cosas (IoT).
"Se espera que para 2025, el 50 por ciento de las actividades de científicos de datos estén automatizadas por IA y ya en 2023 el 60 por ciento de las organizaciones con más de 20 científicos de datos requerirán un código de conducta profesional que incorpore el uso ético de los datos y la inteligencia artificial", agrega.
Madureces dispares
Como ocurre con todas las tecnologías, los niveles de madurez varían según las industrias. "Se distinguen las empresas nativas digitales, con una concepción clara y consciente del valor de los proyectos con datos e IA y un core business impregnado de innovación y uso exhaustivo de datos", detalla Ernesto Mislej, cofundador y científico en jefe de 7Puentes, empresa especializada en procesamiento de datos.
"Sin embargo, si bien en las empresas digitales es donde la IA cumple primero un rol clave en la generación de revenue es en las restantes, en las de segmentos como alimentos, agro, retail, salud o energía, donde hay más oportunidades, por el tamaño de mercado, y aún los proyectos no tienen tanto impacto: el terreno tiene aún mucho margen de mejora".
"Existe mucha variabilidad en cuanto a la madurez de estos proyectos a nivel corporativo: desde los incipientes que comienzan a explorar algunas capacidades hasta los que hace años los tienen como una parte central de su operación", indica Juan José López Murphy, responsable de ciencia de datos e IA en Globant. "Esto no ocurre solo entre industrias y empresas, sino que dentro de una misma organización existen áreas y proyectos con estos niveles de madurez diferente", aporta.
Comenzando a permear
"Es un mundo en el que hay mucho desarrollado, aunque aún no permea del todo en la cotidianeidad", sentencia Juan Carlos Peralta, gerente de la unidad de delivery de Endava Rosario, especializada en soluciones tecnológicas. "Tal vez el boom de big data, impulsado por la necesidad de las empresas de migrar a cloud, esté eclipsando la IA ya que, para llevar adelante estos nuevos proyectos, es preciso contar con bases de datos sólidas". La empresa desarrolló, entre otras soluciones, un bot capaz de leer documentos y responder preguntas de nivel experto a las áreas de ventas y marketing o una herramienta capaz de detectar barcos en zonas ilegales.
Javier Marbec, director de hubs Sur, Norte y Andino de la desarrolladora de software de gestión TOTVS indica que si bien la IA puede ser vista como una de las herramientas más potentes con las que cuentan las empresas para potenciar la productividad de sus negocios, más del 80 por ciento no logran cumplir con las expectativas ni metas establecidas como éxito.
"Al momento de conversar con empresarios que han invertido en IA, es sorprendente conocer que menos del 40 por ciento de ellos habían visto ganancias comerciales gracias a la aplicación de esta tecnología: una inversión sin frutos", explica. "Para evitar este naufragio es necesario una estrategia enfocada, valor de negocio claro, estar consciente de la viabilidad del proyecto y tener una implementación adecuada y efectiva, además de comprender que se trata de una tecnología con resultados de mediano plazo".
Rubén Belluomo, gerente comercial del proveedor de software de negocios Infor para el Cono Sur, destaca la importancia de embeber IA en las aplicaciones. "Cuando desbloqueamos el teléfono con reconocimiento facial o buscamos información online estamos usando el poder de la IA y gracias a estos múltiples usos cada vez más empresas la consideran como una parte fundamental de sus proyectos y una herramienta en proceso de maduración", dice.
Una mirada optimista (e inteligente)
Fredi Vivas, CEO y fundador de Rocking Data y autor del libro '¿Cómo piensan las máquinas? Inteligencia artificial para humanos', pone una nota optimista. "Hoy estamos en un nivel de madurez mucho más alto que hace cinco años", afirma. "En ese momento era difícil transmitir la idea de la importancia de implementar este tipo de proyectos, mientras que hoy son cada vez más las organizaciones interesadas en involucrarse en estos proyectos", describe. "El siguiente nivel tiene que ver con que más organizaciones se perciban como basadas en datos, de principio a fin y para eso debemos trabajar más en la cultura y el mindset de datos", concluye.
¿Cuáles son los obstáculos que se anteponen entre que se visualiza (o se sueña) con un proyecto de IA y que los resultados no aparecen? Victoria Martínez, gerente de desarrollo de negocios de AI + Analytics de Red Hat, enumera cinco errores comunes que llevan a que los proyectos fallen:
- Ausencia de un caso de uso bien definido
- Falta de acceso a los datos relevantes
- Equipos de data science no alineados con los de negocios y tecnología
- Falta de flexibilidad en la infraestructura
- Dificultad para gestionar el stack tecnológico.
"Algunas empresas quieren implementar IA sin entender bien por qué ni para qué y eso hace que el valor obtenido de una implementación no sirva al final del proyecto", asevera Darío Peña, cofundador y CEO de la empresa especializada en soluciones de nube Nubity, que utiliza IA para dar respuesta en lenguaje natural a través de bots para centros de contacto y sugerir conocimiento o contexto para agentes que atienden los requerimientos. Mislej, en consonancia, agrega "una falla en las expectativas derivado de un mal diagnóstico del contexto inicial".
A mitad de camino
"Creo que una gran parte no es que fracase sino que quedan en el camino porque el abordar una estrategia basada en IA es una cuestión estructural y no solamente operativa o relativa a sistemas", detalla Diego Beumont, gerente general de la consultora enfocada en transformación digital Lãberit.
"Para un call center que quiere incursionar sobre soluciones de IA, por ejemplo, será fundamental la reasignación de recursos a otras tareas, entre otras decisiones de base que deben acompañar el plan estratégico de ir hacia una tecnología de esta naturaleza: es una misión en sí misma cambiar el paradigma de una compañía, la forma en la que aborda sus sistemas y cómo comenzar a incursionar en una tecnología disruptiva y de avanzada", indica.
López Murphy destaca el naufragio de la irrelevancia. "Proyectos que se concretan, se despliegan en producción, pero no son adoptados por los usuarios finales por falta de conocimiento, por desconfianza, por baja performance o por un tipo de respuesta desconectado de las expectativas de los usuarios", describe. "Son muy peligrosos: tienen alta capacidad de arrastrar consigo otras oportunidades, ya que además de dinero y tiempo, consumieron recursos políticos en las organizaciones y setearon expectativas de la gente respecto de estas tecnologías".
Uno de los grandes dolores de cabeza entre las empresas que necesitan prosperar en el mundo de IA se encuentra en la recopilación de los datos. "Es una espina en el costado de muchos proyectos empresariales de ML, debido a que la mayoría de las empresas no tiene una manera fácil de administrar o utilizar sus enormes volúmenes, que además suelen encontrarse dispersos entre almacenes locales y la nube, sujetos a sus propios requisitos de cumplimiento o control de calidad, lo que puede dificultar aún más la consolidación y el análisis", dice Martínez.
"El acceso a muchos datos en las empresas está controlado por gerentes y directores que pueden no estar dispuestos compartirlos abiertamente, lo que interfiere en la planificación de la estrategia y afecta todo el proyecto", explica Marbec.
Mientras voy creciendo
Existen otras barreras. "Muchas veces no se dispone el nivel técnico que requiere un proyecto de esta magnitud", aporta Marbec.
"La diversidad y la cantidad de software utilizado en entornos ML son complejos, a veces algunos inmaduros y, sobre todo, en constante evolución: si no se asegura que todos utilicen las mismas herramientas y el mismo hardware en diferentes entornos de entrenamiento será difícil compartir de manera confiable el código y los resultados de datos entre (y dentro de) los equipos y así pueden surgir problemas con la coherencia, la portabilidad y la gestión de dependencias, creando múltiples posibles puntos de falla en el camino", define Martínez.
"Encontramos que en la Argentina está faltando comunicar bien el potencial del uso de esta tecnología, las implicancias del proyecto y los beneficios y oportunidades para los clientes al aplicar estas innovaciones", detalla Blanco. "Dimensionar correctamente costos y tiempos es otro punto importante a tener en cuenta de cara a la presentación de proyectos específicos", agrega.
¿Cómo se puede comenzar a crecer en términos de madurez? "Hace unos años la madurez se veía en el grado en el cual estaban dispuestos a utilizar datos y algoritmos para impulsar decisiones de negocio, hoy tal vez ese nivel de madurez se observa en aspectos como las capacidades de gobierno efectivo de los datos, trazabilidad de resultados sobre las acciones emprendidas, capacidad de automatización de muchos de los procesos involucrados en el entrenamiento y despliegue de modelos de IA, o incluso en el encuadre que se le da a las decisiones de negocio para que se puedan resolver con IA", explica López Murphy. "En muchos casos la falta de madurez se ve en que se comienza pensando qué capacidades tiene la IA en lugar de qué decisiones estoy intentando mejorar o qué información estoy buscando enriquecer".
Lo importante no es llegar...
"Es clave dedicar muchas horas y gente a estudiar cada aplicación y analizar luego resultados, para volver a corregir y así hasta lograr la eficiencia esperada", detalla Eduardo Koglot, CEO de Metamall, que utiliza IA en dos desarrollos productivos: tiendas inteligentes sin cajeros y shopping virtual dentro del metaverso. "Son muy pocos los proyectos aplicados al retail que llegan a destino en Argentina", agrega luego.
"En nuestra experiencia escuchar a los profesores fue clave para desarrollar soluciones apoyadas en IA: el trabajo docente implica mucho tiempo fuera del aula invertido en revisión, calificación, planificación y demás tareas administrativas tediosas y repetitivas que no les deja tiempo para entregar calificación oportuna y retroalimentación significativa a sus alumnos", cuenta María Belén Correa, directora regional de la edtech Turnitin para Latinoamérica. La herramienta Gardescope desarrollada por esta empresa especializada en educación permite disminuir hasta en un 50 por ciento el tiempo invertido en los procesos de calificación.
"La idea de ‘destino' cuando hablamos de un proyecto de ciencia de datos es relativa porque lo que podemos lograr tiende a infinito y los recursos para lograrlo son, lógicamente, finitos", indica Vivas. "Muchas veces las expectativas son empezar por algo súper grande y en el proceso se van moderando: la única posibilidad de naufragar es dejar el proyecto a mitad de camino", concluye.
La versión original de esta nota se publicó en el número 344 de revista Apertura.
Compartí tus comentarios