Quedarse sin presupuesto. Calamidad económica. Pandemia global. Los riesgos para nuestras iniciativas de IA están, literalmente, a nuestro alrededor. Algunos de ellos no los podemos controlar, pero otros sí. En este artículo, revisaremos y evaluaremos algunos de los errores más comunes que cometen los profesionales que conducen a procesos de transformación subóptimos o significativamente retrasados. Vale la pena señalar que, en última instancia, todos son un reflejo del éxito o el fracaso de la transformación cultural por la que debe pasar una organización para aprovecha la IA. Sin un fuerte enfoque en la aceptación y adopción cultural, incluso la IA más precisa tendrá dificultades para ofrecer un valor comercial real.

1. Falta de aceptación de la IA

Obtener la aceptación de todos los niveles de la organización es crucial para el éxito. Sin el apoyo ejecutivo y el patrocinio, la comunidad analítica nunca obtendrá la inversión en herramientas, tecnología y personas necesarias para avanzar. Una parte igualmente importante del viaje hacia la IA a escala es ganarse el corazón y la mente de los líderes empresariales al resolver sus problemas mediante la IA. Las organizaciones deben confiar en los algoritmos y verlos como algo más que una "caja negra". En otras palabras, la comunidad debe enfocarse en construir equipos sin nombre al asociarse con aliados multifuncionales que creen en la visión y tienen problemas reales que resolver usando IA. 

2. No capacitar al negocio

En toda la empresa alfabetización de datos y análisis es otro componente central de la creación de este "entusiasmo de base" sobre el potencial de la analítica avanzada y la IA. Sin el "tirón" correcto del negocio más amplio para soluciones basadas en datos, la integración de IA y ML será una batalla cuesta arriba. Además, si la organización depende de un pequeño grupo de personas para pensar e innovar en torno a analítica avanzada, lo más probable es que muchos de estos casos de uso pasen desapercibidos.

Para evitar esta trampa, concéntrese en dos elementos: en primer lugar, hay capacitación formal sobre datos, análisis e IA en todos los niveles de la organización. En segundo lugar, los empleados fuera de la función analítica se sienten parte del equipo. Esto garantiza casos de uso y soluciones finales y una fuerte conexión con la realidad cotidiana de los consumidores finales de los productos de IA. 

3. Pensar que el equipo de análisis es una consultoría

Muchas organizaciones sueñan en grande, pero no logran preparar a sus equipos de entrega de IA para el éxito. El escenario común implica comenzar contratando científicos de datos y estableciendo infraestructuras técnicas. Sin embargo, en poco tiempo, los científicos de datos están trabajando en una gran cantidad de proyectos urgentes e importantes que se benefician del conjunto de habilidades técnicas muy solicitadas de estos expertos. Como resultado, el equipo de análisis termina trabajando como una consultoría interna, saltando de un proyecto a otro en lugar de basarse en la visión a largo plazo para el análisis avanzado y la IA. 

La solución es simplemente hacer que estas interrupciones desaparezcan para que los científicos de datos puedan concentrarse en las iniciativas estratégicas más importantes. 

4. Quedarse atascado en la etapa piloto

La entrega de proyectos de IA impactantes se puede resumir en tres cosas: identificar un problema comercial apropiado, probar la solución y (si la solución funciona), industrializarla. 

La industrialización de la solución final a menudo requiere algún tipo de cambio tecnológico y una gestión continua del proceso por parte de un equipo de expertos. Por ejemplo, un banco podría probar una herramienta de retención que identifique con un alto nivel de precisión quién es probable que abandone y cuándo. El piloto resulta exitoso y el banco reduce la deserción de clientes en varios por ciento. Ahora viene el desafío final: industrializar la herramienta en un proceso que requiere un mantenimiento mínimo para un impacto máximo. El equipo que entregó el piloto podría haber sido una combinación de expertos internos y externos en ciencia de datos, ingeniería de datos, tecnología, diseño de experiencias y gestión de proyectos. Estas personas generalmente necesitan pasar a nuevos proyectos. Por lo tanto, el banco debe tener no solo un equipo de constructores de funciones cruzadas, sino también un equipo que se centre en la gestión continua y la mejora continua de las soluciones existentes. De lo contrario, la iniciativa se estanca en la etapa piloto. 

5. Rendirse después de falsos comienzos

Si al principio no tienes éxito... esta trampa es un poco más matizada que eso. Esta situación tiende a presentarse cuando la predicción o recomendación de un modelo no ha sido ligada a la solución adecuada. Diseñar e implementar una intervención efectiva es al menos tan importante como la predicción.

Por ejemplo, el equipo de ciencia de datos podría haber identificado a los clientes que probablemente refinanciarían su préstamo con un competidor con un alto grado de precisión. Sin embargo, si la intervención elegida no es efectiva (los clientes no la querían) o no es rentable, es probable que se generen dudas sobre el proyecto por un tiempo, incluso si la predicción fue realmente precisa para empezar. Con demasiada frecuencia, los algoritmos de alta calidad no se utilizan porque los usuarios finales no confían en ellos o no saben cómo aplicar los resultados de manera eficaz. 

La clave para ganarse los corazones y las mentes de todos los involucrados, incluso cuando los resultados no son los deseados, es crear un conjunto de objetivos compartidos que vinculen al equipo multifuncional. 

Los temas de este artículo se exploran en Desmitificando la IA para la empresa, un libro escrito por Prashant Natarajan, vicepresidente de estrategia y productos de H2O.ai, junto con Bob Rogers, Edward Dixon, Jonas Christensen, Kirk Borne, Leland Wilkinson y Shantha Mohan.