Una Hoja de Ruta para un Proyecto de IA Exitoso: Planificación, Ejecución y ROI
Introducción
Deloitte en 2019 comentaba que el 91% de los proyectos de IA no cumplían con las expectativas, Forbes en el año 2020 exponía que solo el 14,6% de las empresas han implementado capacidades de IA en producción y McKinsey que el 64% de los proyectos no continuará más allá de la etapa piloto en 2021.
En nuestra experiencia, la cantidad de proyectos de IA frustrados es bastante mayor. Normalmente, la mayoría de empresas encuestadas tienen mucha capacidad de inversión y las instituciones que más fracasan no forman parte del censo. También es cierto que desde el 2021, la tasa de proyectos de IA se ha incrementado considerablemente con la revolución de la IA Generativa pero estará por ver la tasa de éxito hacia su paso a producción.
El año 2023 fue el año de las PoC (Pruebas de Concepto). ¿Será el año 2024 el del paso a producción?
Entendiendo la madurez de la IA en las empresas
En el contexto empresarial actual, la implementación de IA se está convirtiendo en un pilar fundamental para la innovación y la competitividad. Gartner ha identificado cinco niveles de madurez en IA que ayudan a entender el progreso de las organizaciones en este ámbito.
Nivel 1: Concienciación — En la etapa inicial, las empresas comienzan a explorar la IA, discutiendo posibles soluciones sin embarcarse en proyectos piloto o pruebas de concepto. Esta fase es predominantemente teórica y orientada a la sensibilización.
Nivel 2: Activo — Las organizaciones en este nivel ejecutan experimentos iniciales y proyectos piloto de IA. Este es el estado en el que se encuentran la mayoría de las empresas, probando las posibilidades y limitaciones de la IA en escenarios controlados.
Nivel 3: Operacional — Las empresas avanzan a la fase operacional cuando al menos uno de sus proyectos de IA pasa a producción. Este nivel es el objetivo al que la mayoría de las empresas aspiran alcanzar en el corto plazo.
Nivel 4: Sistemático — En este punto, la IA ya no es solo un proyecto o dos; se ha convertido en parte de casi todos los procesos digitales de la empresa. Las aplicaciones de IA mejoran la interacción productiva tanto dentro como fuera de la organización, evidenciando una adopción madura y estratégica. Es una visión de futuro en la que organizaciones aspiran a estar en el mediano plazo.
Nivel 5: Transformacional — El nivel más avanzado de madurez en IA se alcanza cuando las organizaciones incorporan la IA como un componente esencial de sus flujos de trabajo empresariales. Es visionario y puede ser más realista para las empresas que nacerán en esta era, donde la IA está en el corazón de todo lo que hacen desde el principio.
Este Blog está dirigido para las empresas que se encuentran principalmente en un Nivel 2 de experimentación. El propósito es guiar al lector (dentro de las limitaciones de un blog) a identificar un caso de uso valioso para negocio que pueda pasar a producción y que a partir de los buenos resultados abra el camino hacia una transformación de procesos motivada por la IA.
Hacer proyectos de IA requiere de un enfoque y una metodología de trabajo que se adapte a estos tipos de proyectos. Los proyectos de inteligencia artificial comparten más similitudes con iniciativas empresariales que con meras implementaciones tecnológicas. De hecho, se asemejan más a una estrategia de marketing que a la instalación de un sistema CRM tipo Salesforce.
La razón de esto radica en los múltiples niveles de incertidumbre que los envuelven, desde la calidad de los datos hasta la aceptación por parte de los usuarios, pasando por la efectividad del algoritmo. A pesar de un análisis exhaustivo, el resultado final es parcialmente impredecible, lo que a menudo contribuye al fracaso de estos proyectos.
Así también las empresas de consultoría tecnológica, responsable en muchas ocasiones de la transformación de sus clientes y acostumbradas a implementaciones de TI convencionales, encuentran desafíos al adaptarse a este tipo de proyecto a pesar del fuerte componente tecnológico. El peso del éxito recae principalmente en otros factores.
Como planificar y ejecutar un proyecto de IA con éxito
En primer lugar, los proyectos de IA, al igual que los proyectos de datos, no son meramente iniciativas de TI, sino de negocio. Queremos identificar casos de uso relevantes que cuando se presenten al CEO este pueda visualizar el futuro impacto en beneficios. En SunnyData tenemos un enfoque orientado a levantar casos en conjunto con los departamentos o equipos designados por el cliente y que normalmente no requiere de más de unos días de trabajo. Estas sesiones, orientadas al negocio, abordan una fase de experimentación durante la cual se conciben, prueban ideas y se construyen demostradores de prueba de concepto para los casos más prometedores.
El 80% de las ideas ya deberían haberse eliminado durante estas sesiones antes de realizar una PoC y el caso de uso definido debería hacer el que mayor relación costo beneficio tiene. Esto significa que los resultados intermedios deberían parecer muy prometedores, mientras que el margen de mejora sigue siendo alto a un costo proyectado relativamente bajo.
Cuando ya se tiene identificado un caso, ya sea fruto del proceso anterior o bien por iniciativa interna o demanda popular, se deba dar paso a una definición del alcance y un proceso de evaluación orientado al desarrollo de una PoC. El alcance del proyecto puede estar infravalorado pero en fases iniciales de una PoC es clave para que sea exitosa y concisa.
No se debe perder tiempo en integraciones innecesarias. No se debe aplicar reglas de negocio que ya se han evaluado que son factibles de implementar. No se debe hacer nada que no genere dudas. La regla es: evaluar lo que se debe evaluar y genera incertidumbre, y cuidado, muchas de las evaluaciones NO son técnicas, sino de negocio (como la aceptación de usuarios) y esto puede llevar a que una PoC sea algo más extensa.
Respecto al proceso de evaluación deberemos hacer "Check" sobre:
El estado del arte IA: ¿El estado del arte de la IA es suficiente para cumplir los objetivos? ¿El uso de IA cumple con las leyes y regulaciones? ¿Existen datos de calidad y, en caso contrario, es posible remediarlo? Análisis técnico
Los procesos: ¿Cuáles son los procesos? ¿Qué secuencialidad? ¿Qué dependencias? ¿Qué ineficiencias se detectan/a mejorar? Análisis del proceso AS-IS y TO-BE con IA.
En las etapas iniciales de desarrollo de inteligencia artificial, es fundamental no temer a la posibilidad de detener una PoC. A menudo, ejecutivos y gerentes, así como algunas consultoras, carecen del coraje para interrumpir estos proyectos, lo que lleva a un compromiso excesivo y a una expansión de escala prematura. Detener una PoC no debe verse como un fracaso o una pérdida de inversión. Al contrario, esta acción debería considerarse como una oportunidad valiosa para aprender y afinar futuras inversiones, las cuales podrán ser más dirigidas y potencialmente ofrecer un retorno de la inversión mucho más significativo.
Por otro lado, es importante abordar las PoC con una perspectiva adecuada. Una buena PoC es aquella que se realiza con responsabilidad y un claro entendimiento de su viabilidad. Desafortunadamente, muchas empresas han promovido PoCs más como una estrategia de marketing para añadir logos a su cartera, a menudo con mínima responsabilidad y pleno conocimiento de que ciertos proyectos no son viables. Esta práctica ha generado cierta desconfianza y rechazo hacia las PoCs. En el ámbito de los proyectos de IA, comenzar sin una PoC apropiada implica un riesgo gigantesco que NO SE DEBERÍA ASUMIR.
A continuación, examinaremos algunas razones comunes por las cuales los proyectos de IA no alcanzan el éxito esperado.
Las otras 7 razones por la cual fracasan los proyectos de IA:
¿Cuáles son las razones del fracaso? No hay orden, y todas son igual de relevantes. De hecho, las he ordenado de forma aleatoria para que no sea un hecho totalmente subjetivo.
Estado del Arte de la IA: Este punto es muy sencillo. La tecnología avanza, y hay cosas que hoy se pueden hacer que no se podían hacer hace 3 años. Si tienes un caso de uso bueno pero no es posible hacerlo, lo mejor es que lo aparques y te centres en otros, el momento de hacer este proyecto seguramente llegue más adelante pero te ahorraras haberte gastado los fondos o mal proyecto que requiera hacerlo de nuevo (si te lo permiten).
No considerar el retorno de la inversión: Todo proyecto debe generar un ROI y este enfoque debería ser un mandamiento tanto para clientes como para consultoras. Lamentablemente los proyectos de IA son los que más fracasan y donde es más tentador convertirlo en un "proyecto de investigación" (las cosas no van como se espera y se sigue invirtiendo). He trabajado en muchas consultoras, y me sorprende la falta de sinceridad que se tiene al hablar con los clientes, y cómo se firman contratos de "proyectos" que nunca saldrán a producción y se convierten en una "investigación".
Falta de visión global: Este proyecto de IA que le están proponiendo, o que su empresa ha elegido realizar debe ser visualizado en producción y en conjunto con el resto de sistema y procesos. No basta con que técnicamente sea brillante. Ejemplo: Una empresa quiere realizar un asistente para consultas en seguridad de la información ¿Los trabajadores lo utilizarán? No, este aplicativo debería integrarse dentro de los procesos y sistemas actuales como podría ser una Suite de Google/Microsoft para que sea utilizado y aumente la productividad y seguridad.
Mala elección de casos a implementar: La IA no es una solución para todos los problemas. De hecho, existen limitaciones claras en cuanto a lo que la IA puede hacer y lo que no. Por lo general, un mal punto de partida para un proyecto es cuando un cliente acude a usted con un problema que no puede resolver y espera que la IA pueda solucionarlo. Lo recomendable es hacer talleres de descubrimiento de casos de uso con los diferentes departamentos e intentar priorizar aquellos identificados que generan un ROI más alto, tienen menor riesgo, son de uso interno, el estado del arte está avanzado, ya se ha resuelto antes, etc. SunnyData tiene una matriz bastante eficiente que se utilizan en los talleres con clientes (solicitar vía LinkedIn).
Proveedores inadecuados: Todas las consultoras ahora son expertas en IA y se han sumado a la ola de hype de la IA. Esto es bueno, porque genera más competencia y mayores oportunidades de desarrollo, sin embargo, no tienen la experiencia, el talento y sobre todo carecen de metodología para el desarrollo de estos tipos de proyecto. Los proyectos de IA son tratados como cualquier otro proyecto, o peor, porque se tienen más excusas para fundamentar el fracaso.
Tecnología que no se usa para lo que es: La IA Generativa es genial y la amamos, pero solo es una rama. No podemos ni debemos resolver todos los problemas con IA Generativa. Probablemente no falte mucho para la explosión, por ejemplo, del entrenamiento por refuerzos y ¿que haremos?, ¿volver a hacer todos los proyectos de nuevo? Como expertos debemos tener claro qué tipo de problemas se resuelven con estas soluciones aún aunque todavía no haya explotado!. Esto es lo que diferencia entre una empresa que lidera frente a una que sigue la corriente.
Problemas en la data: Los datos son un problema cuando no están o no se tiene la calidad necesaria. Sin embargo, depende del caso de uso. Para determinados proyectos puede ser un limitante, pero para otros no lo es tanto. Existen técnicas muy depuradas hoy para generar datos sintéticos que para algunos casos prácticos no tienen excesiva dependencia a la calidad del dato institucional global y también la posibilidad de corregirlos o adecuarlos aunque seguramente requiera de más tiempo.
Conclusiones
La adopción en escala de la inteligencia artificial no es sólo una tendencia, sino una revolución inminente que redefinirá el panorama empresarial. Este cambio tecnológico ofrece una ventana de oportunidades para aquellas empresas que se atreven a innovar, permitiéndoles no solo reposicionarse en sus mercados sino también liderar nuevos sectores.
Esta transición también supone desafíos significativos, principalmente para las empresas que se resisten al cambio o se adaptan lentamente. En este contexto, la capacidad de una empresa para integrar la IA en su modelo de negocio y operaciones determinará su éxito futuro. Aquellas que adopten esta tecnología proactivamente podrán disfrutar de ventajas competitivas sustanciales, mientras que aquellas que no lo hagan podrían quedarse atrás.
