¿Qué es la inteligencia artificial?

En Gartner definimos la inteligencia artificial (IA) como la aplicación de análisis avanzados y técnicas basadas en la lógica, incluido el machine learning (ML), para interpretar eventos, respaldar y automatizar decisiones y llevar a cabo acciones. Esta definición está en consonancia con el estado actual y emergente de las tecnologías y las capacidades de la IA, y reconoce que la IA implica por lo general un análisis probabilístico (en el que la probabilidad se combina con la lógica para asignar un valor a la incertidumbre). 

Otras organizaciones y personas pueden utilizar definiciones diferentes. No existe una descripción única de la inteligencia artificial que tenga una aceptación universal, debido a las muchas formas en que la IA puede respaldar, potenciar y automatizar las actividades humanas e incluso aprender y actuar con autonomía (consulta “¿Qué es el machine learning?”).

Para aprovechar como organización la oportunidad que representa la IA, sin embargo, necesitas articular y aceptar una definición que tenga cierto consenso, centrada en tus expectativas sobre la IA. (Consulta “¿Qué significa una estrategia empresarial de IA?”).

Permite las diferentes opiniones, pero intenta que los responsables de análisis de datos, de empresa y de TI no discrepen en su idea fundamental sobre lo que significa la IA para la organización, si realmente quieres diseñar una estrategia que aproveche sus beneficios.

Ten en cuenta que los proveedores de tecnología de IA probablemente tengan también sus propias definiciones. Pídeles que expliquen cómo te ayudará su oferta a cumplir tus expectativas sobre el valor que aportará la IA.

El machine learning es una técnica fundamental que permite que la IA resuelva problemas. A pesar de algunas ideas erróneas generalizadas (y algunas denominaciones populares inapropiadas), las máquinas no aprenden. Lo que hacen es almacenar y computar; eso sí, de una manera cada vez más compleja. 

El machine learning es una disciplina meramente analítica. Se basa en aplicar modelos matemáticos a los datos para extraer conocimiento y hallar patrones que los humanos difícilmente podrían encontrar. El ML también recomienda acciones, pero no dirige los sistemas a llevarlas a cabo sin intervención humana. 

Más concretamente, el machine learning crea un algoritmo o una fórmula estadística (lo que se conoce como “modelo”) capaz de convertir una serie de datos en un resultado único. Los algoritmos del ML “aprenden” mediante “entrenamiento”, es decir, identifican patrones y correlaciones en los datos y los utilizan para aportar nueva información y predicciones sin haber sido programados explícitamente para ello.

El “deep learning” (o aprendizaje profundo) es una variante del machine learning que, mediante el uso de múltiples capas de algoritmos, resuelve problemas al extraer conocimiento de los datos sin procesar y transformarlo en cada uno de los niveles. El deep learning puede mejorar los resultados del ML tradicional (o técnicas de aprendizaje superficial) al trabajar con datos complejos y a menudo multidimensionales, como imágenes, voz y texto. De todas formas, tanto los sistemas basados en reglas como el ML tradicional pueden resolver con eficacia muchos problemas de IA.

En la mayoría de las organizaciones, las soluciones de deep learning no ocupan todavía un lugar destacado en la hoja de ruta de productos (los sistemas basados en reglas o el ML tradicional pueden servir para muchos de los usos actuales de la IA), pero su aplicación está creciendo rápidamente, en paralelo a los progresos del procesamiento de datos y los avances de las técnicas computacionales.

El uso del ML, incluido el deep learning, con fines predictivos permite a los procesos basados en la IA automatizar la selección del resultado más favorable, lo que elimina la necesidad de un decisor humano.

• El procesamiento del lenguaje natural (Natural Language Processing, NPL) posibilita una forma de comunicación intuitiva entre los humanos y los sistemas inteligentes mediante el uso del lenguaje humano. El NLP es la base de los sistemas de respuesta de voz interactiva (Interactive Voice Response, IVR) modernos, al procesar el lenguaje para mejorar la comunicación. Los chatbots son la aplicación comercial más conocida del NLP.
• Los asistentes virtuales avanzados, también denominados agentes de IA conversacional, utilizan interfaces de usuario conversacionales, NLP, semántica y técnicas de deep learning. Superando a los chatbots, los asistentes virtuales escuchan y observan comportamientos, construyen y mantienen modelos de datos y predicen y recomiendan acciones para ayudar a las personas y, así, automatizar tareas que antes eran forzosamente humanas.
• La visión artificial (Computer Vision, CV) es un proceso capaz de captar, procesar y analizar imágenes reales para permitir a las máquinas obtener información contextual significativa del mundo físico. Los requisitos de tecnología e infraestructura de las técnicas de visión artificial varían respecto a los enfoques del ML tradicional. La visión artificial, cuya precisión al identificar objetos orgánicos es cada vez mayor, hace posible el desarrollo de aplicaciones como los coches y los drones autónomos o los controles de inventario automatizados en el comercio minorista.
• La IA en el perímetro se refiere a las técnicas de IA integradas en el punto de contacto entre los dispositivos físicos y el entorno digital: cuando el sensor de una planta de fabricación, por ejemplo, se conecta a Internet y puede enviar datos de solicitud de servicio de forma no supervisada. La IA perimetral o IA en el perímetro hace posible el Internet de las cosas (Internet of Things, IoT).
• El Internet de las cosas consta de una red de objetos físicos (las cosas) que contienen tecnología integrada para detectar tanto su funcionamiento interno como el entorno externo e interactuar con todo ello. No se incluyen aquí los dispositivos de uso general, como los teléfonos inteligentes. Algunos ejemplos del IoT van desde los enchufes inteligentes hasta los vehículos de conducción autónoma. El funcionamiento del Internet de las cosas depende de una gran variedad de endpoints (o dispositivos remotos) y de pasarelas de TI, así como de datos en los que basar la IA, en especial cuando se trata de responder en tiempo real (como en el caso de los vehículos autónomos).
• La IA generativa aprende sobre artefactos a partir de los datos y genera nuevas creaciones innovadoras que son parecidas al original, pero sin ser una copia de este. La IA generativa posee el potencial de producir nuevas formas de contenido creativo, por ejemplo vídeos, y acelerar los ciclos de I+D en ámbitos que van desde la medicina hasta el desarrollo de productos.
• Los datos sintéticos se generan artificialmente a través del machine learning. Reflejan las propiedades estadísticas de los datos reales, sin utilizar las propiedades identificativas de esos datos (por ejemplo, nombres e información personal). La inteligencia artificial requiere de ingentes cantidades de datos para generar resultados utilizables, y los datos sintéticos van a ser una fuente importante de grandes conjuntos de datos con los que modelar extensos escenarios y, al mismo tiempo, proteger la información sensible y personal.

Consulta también “¿Cuál es el futuro de la inteligencia artificial y de las tecnologías de IA?”

Los responsables de Tecnología de la Información y de análisis de datos pueden utilizar técnicas de IA para solucionar una gran variedad de problemas empresariales y lograr rendimientos significativos; ahora bien, la cuestión en la mayoría de las organizaciones es cómo utilizar la inteligencia artificial para crear o acelerar el crecimiento del negocio digital.

Las oportunidades principales de la inteligencia artificial radican en su capacidad para conseguir lo siguiente: 

1. Encontrar maneras mejores de hacer las cosas mediante el análisis probabilístico avanzado de los resultados.
2. Interaccionar directamente con los sistemas que llevan a cabo las acciones, lo que permite eliminar cálculos y pasos de integración muy costosos en cuanto a recursos humanos.

Según revelan sistemáticamente las investigaciones de Gartner, los directores de sistemas de información (Chief Information Officers, CIO) ven como una gran oportunidad las ventajas de la IA, pero tienen dificultades para aprovechar esas ventajas en la práctica. De todas formas, la inteligencia artificial terminará remodelando los procesos de trabajo, a medida que la tecnología sustituya algunas tareas desempeñadas tradicionalmente por los empleados y cambie la manera de tomar las decisiones cotidianas. Los casos prácticos se dividen principalmente en tres categorías: automatización y optimización, generación de conocimientos y creación de interacciones que emulan las humanas (como en los chatbots y los asistentes virtuales). (Consulta “¿Qué ejemplos existen de aplicaciones de la inteligencia artificial en las empresas?”).

Por el momento, sin embargo, la expectación en torno a la IA puede ser contraproducente y dificultar que algunas organizaciones establezcan unas expectativas acertadas en cuanto a sus resultados comerciales. La expectación desmesurada da lugar a proyectos que no tienen ninguna posibilidad de tener éxito. Cuando esto sucede, los directores de empresa cuyas expectativas no eran realistas tienden a culpar a la tecnología y la ciencia de no haber sido capaces de crear las transformaciones que esperaban. 

Asegúrate de establecer una estrategia empresarial para la IA que te permita identificar casos prácticos e indicadores de éxito desde el principio. Algunos parámetros habituales para medir los beneficios son la reducción del riesgo, la velocidad de los procesos, la mejora de las ventas, el incremento de la satisfacción del cliente y la disminución de las necesidades o los costes de mano de obra. Muchos casos empresariales se basan en una combinación de beneficios materiales e inmateriales. (Consulta “¿Qué significa una estrategia empresarial de IA?”).

Como tecnología emergente, la inteligencia artificial no ha demostrado aún todo su impacto y sus beneficios. La innovación de la IA es una de las muchas fuerzas que provocan cambios disruptivos en los mercados actuales y propician nuevas iniciativas; por ejemplo, de negocio digital. Pero la IA se está aplicando también en diferentes sectores, organizaciones y departamentos, de maneras muy diversas. A continuación se ofrecen algunos ejemplos en el ámbito de las operaciones comerciales:

• El machine learning como estructura base para unas comunicaciones similares a las humanas. El ML impulsa aplicaciones de IA habituales como los chatbots, los vehículos autónomos y los robots inteligentes. 
• Las técnicas de deep learning proporcionan soluciones biométricas mediante el uso del reconocimiento facial, el reconocimiento de voz y las redes neurales que potencian la personalización del contenido basándose en la minería de datos y la identificación de patrones en grandes conjuntos de datos.
• La IA en operaciones/servicios de asistencia de TI. Los agentes de asistencia virtual (Virtual Support Agents, VSA) ofrecen ayuda en tecnología de la información en los contextos de gestión de servicios de TI (IT Service Management, ITSM) y de asistencia de TI. La IA también puede ser útil para redirigir incidencias, extraer información de las fuentes de gestión de conocimiento y como herramienta de ITSM que permita dar respuesta a las preguntas más habituales.
• La IA en la gestión de la cadena de suministro. Algunos casos prácticos incluyen el mantenimiento predictivo, la gestión del riesgo, el aprovisionamiento, el cumplimiento de pedidos, la planificación de la cadena de suministro y la gestión de promociones. Además, la IA puede ser útil para automatizar la toma de decisiones, ya que su coherencia y rapidez superan ampliamente la capacidad humana en ciertas tareas específicas.
• La IA en las Ventas y en la capacitación de ventas. Identifica nuevos clientes potenciales y oportunidades basándote en clientes actuales similares, fomenta futuras ventas estableciendo relaciones mediante el seguimiento inteligente de la actividad y los mensajes, y utiliza la venta guiada para mejorar la ejecución de ventas e incrementar los ingresos derivados.
• La IA en el Marketing puede ayudarte con la personalización en tiempo real, la optimización del contenido y de los medios y la coordinación de campañas para aumentar, racionalizar y automatizar procesos y tareas de marketing que, en otros casos, se verían limitados por la capacidad y los costes humanos. La propuesta de valor más convincente de la IA es su capacidad de revelar nuevos datos sobre el cliente y acelerar el potencial de los comercializadores para aplicarlos a gran escala.
• La IA en la Atención al Cliente puede predecir qué van a preguntar los clientes y derivar de forma proactiva las consultas entrantes. Los asistentes virtuales de atención al cliente (Virtual Customer Assistants, VCA) equipados con reconocimiento de voz, análisis de sentimientos y garantía de calidad automatizada/aumentada, entre otras tecnologías, ofrecen opciones de atención automática o supervisada las 24 horas a través de diferentes canales.
• La IA en los Recursos Humanos. Se observan algunos casos prácticos en los procesos de selección (al asociar la oferta y la demanda de talento o predecir el éxito de una selección) y en el ámbito de las habilidades (uso del NLP para establecer ontologías sistemáticas de habilidades y tareas en sistemas de búsqueda y asociación de nueva generación). En Recursos Humanos también se están aprovechando los motores de recomendación para el contenido de la formación, el trabajo de los mentores, las trayectorias profesionales y el aprendizaje adaptativo.
• La IA en las Finanzas. Los mejores candidatos para aplicación de la inteligencia artificial a corto plazo son los procesos dinámicos que requieren juicio e implican datos no estructurados, volátiles y de alta velocidad. Algunos ejemplos son el cumplimiento de nuevas normas contables, la revisión de informes de gastos y el procesamiento de facturas de los proveedores.
• La IA en la gestión del abastecimiento, el aprovisionamiento y los proveedores (Sourcing, Procurement and Vendor Management, SPVM). Las tecnologías básicas del machine learning ya se están aplicando a la clasificación del gasto y el análisis de contratos, pero empiezan a surgir algunos usos más sofisticados en áreas como la gestión del riesgo, el cotejo de candidatos (en la gestión de mano de obra contingente), la automatización del abastecimiento, la asistencia virtual de adquisiciones y el reconocimiento de voz.
• La IA en el Área Legal. Las aplicaciones más comunes son los contratos (composición, negociación, diligencia debida, puntuación del riesgo y gestión del ciclo de vida), el “e-discovery” o búsqueda electrónica de expedientes judiciales (clasificación de documentos, extracción de datos y análisis textual) y el gasto (clasificación de facturas).

Para que una empresa aproveche los beneficios de la inteligencia artificial es necesario que sus directores ejecutivos definan una estrategia global de IA que identifique posibles usos, cuantifique los beneficios y los riesgos, sitúe a los equipos de negocio y de tecnología en la misma dirección y modifique las competencias organizativas para respaldar la adopción de la IA.

Si quieres generar valor a partir de la inteligencia artificial, elige estratégicamente las iniciativas centrándote en aquello que tu organización aspira a conseguir y en los problemas comerciales que estás intentando resolver. Para que la IA despliegue todo su potencial deberás utilizarla como un miembro más de tu familia de aplicaciones, y esto incluye disponer de datos de todas las áreas de la empresa para alimentar las funciones que ofrece.

Para las organizaciones que se encuentren en fases tempranas de madurez de la IA será más viable introducir su uso en áreas como el control de costes, antes de avanzar hacia aspectos clave de la propuesta de valor, como la experiencia del cliente. Según la investigación de Gartner, a medida que se gana madurez en el uso de la inteligencia artificial, se amplían sus aplicaciones y se potencia su impacto.

Algunos elementos clave de la estrategia empresarial de IA son los siguientes:

• Visión de la IA. Vincula los objetivos de la inteligencia artificial con las aspiraciones empresariales. A modo de ejemplo, puedes articular cómo la IA contribuirá a los objetivos de transformación digital. Describe enfoques y áreas de interés diseñados para animar y capacitar a toda la organización a adoptar y dominar la IA. Anuncia específicamente los indicadores de éxito.
• Riesgos de la IA. Evalúa tu exposición al riesgo y tus planes de reducción del riesgo en sus diferentes áreas clave, incluido el reglamentario (por ejemplo, legislación sobre privacidad), el reputacional (sesgos de la inteligencia artificial) y el organizativo (falta de competencias o infraestructura).
• Plan de acción estratégico para la IA. Identifica el impacto en los modelos de negocio, los procesos, las personas y las habilidades y aborda la oportunidad de la IA con un enfoque integral. Asigna responsabilidades en el desarrollo y la ejecución de la estrategia de IA. Unos equipos multidisciplinarios y el conocimiento en materia de datos también serán fundamentales para el éxito.
• Adopción de la IA. Explica los casos prácticos (interacción similar a la humana, optimización de procesos, generación de conocimientos, etc.) y utiliza mapas de valor y estructuras de decisiones para priorizar la adopción.
• Busca la aceptación del programa de IA. Difunde el lanzamiento de la iniciativa y sus buenos resultados futuros entre otros profesionales del sector y ofrece a la alta dirección la posibilidad de relatar las experiencias del equipo de IA.

La disciplina de la IA evoluciona rápidamente, fruto de nuevas técnicas y de infraestructuras y hardware especializados. Según la previsión de Gartner, en los próximos cinco años las organizaciones adoptarán técnicas de última generación para unas aplicaciones de inteligencia artificial más fiables, responsables y sostenibles ambientalmente.

La trayectoria de la IA, actualmente, sigue más de cerca la de las tecnologías que la han precedido. Para las empresas y los gobiernos, la inteligencia artificial actualmente resulta más:

• Común: las herramientas y habilidades de TI están preparadas para la IA. 
• Redimensionable: la IA es más asequible y sus buenos resultados son más factibles que nunca.
• Práctica: los responsables de empresa y de TI se plantean con más frecuencia la IA como opción de mejora de las aplicaciones.

En el futuro, las organizaciones seguirán buscando en la inteligencia artificial una forma de mejorar sus procesos de toma de decisiones. Aquellas que tengan la perspicacia de adoptar estos métodos rápidamente lograrán diferenciarse más de la competencia y ganarán agilidad y capacidad de respuesta ante los cambios del ecosistema.

Ejecutar las estrategias de IA sigue siendo un desafío para los equipos de infraestructura y operaciones. Comenzar localmente supone invertir en una infraestructura y una arquitectura que pueden ser difíciles de predecir, dotar de personal y financiar. Ello hace atractivas las opciones en la nube, pero a medida que crece la necesidad de IA y aumentan los requisitos de inversión, la nube puede volverse más costosa (y el compromiso con los proveedores de la nube más preocupante). Por este motivo están surgiendo interesantes estrategias que equilibran la inversión para funcionamiento en la nube con inversiones en infraestructuras (las conocidas como estrategias híbridas de nube/locales). 

Algunas previsiones de Gartner sobre la planificación estratégica de la IA apuntan que, para 2025:

• El 50 % de las empresas habrán ideado plataformas de orquestación de la inteligencia artificial para ponerla en funcionamiento, partiendo de menos del 10 % en 2020.
• La IA será la principal categoría que impulsará las decisiones de infraestructura, debido a la madurez del mercado de IA, lo que multiplicará por diez los requisitos de computación.
• El 10 % de los gobiernos utilizarán una población sintética con patrones de comportamiento realistas para entrenar la IA y evitar, al mismo tiempo, problemas de privacidad y seguridad.

La mayor parte de las organizaciones empresariales desconocen o no comprenden el funcionamiento intrínseco de la inteligencia artificial, lo que deriva en potenciales preocupaciones en torno a su legitimidad, seguridad y privacidad. Pero la inteligencia artificial no puede prosperar si la empresa no confía en las técnicas que la hacen posible, de modo que las organizaciones necesitan controles adicionales y adoptar las medidas que les permitan evaluar las amenazas y los daños, así como responder ante ellos, para garantizar que la IA incorpore criterios de integridad.

En Gartner nos referimos a nuestra estructura de gestión del riesgo de la IA como “MOST” porque se basa en los tres pilares siguientes:

1. Model Operations (operaciones del modelo) que respalden la fiabilidad, la predictibilidad y la exactitud de la IA.
2. Security (seguridad), para evitar que hackers y agentes internos maliciosos puedan manipular los datos de entrada, las aplicaciones y los resultados de la IA.
3. Trustworthiness (fiabilidad), para respaldar la legitimidad, la ética y el bienestar social de la IA, o una “inteligencia artificial responsable” en general.

La generalización de la IA en una empresa conllevará inevitablemente amenazas que pueden traducirse en riesgos organizativos graves. Las organizaciones deben ser proactivas en la evaluación de las amenazas. Si lo hacen, pueden mejorar la confianza de las partes interesadas en la IA. 

Efectivamente, según la previsión de Gartner, en 2025 las regulaciones deberán centrarse en la ética, la transparencia y la privacidad de la IA, lo que avivará (en lugar de mitigar) la confianza, el crecimiento y un funcionamiento mejorado de la IA en todo el mundo.