Cómo lograr rentabilidad en proyectos de inteligencia artificial

Cómo lograr rentabilidad en proyectos de inteligencia artificial Cómo lograr rentabilidad en proyectos de inteligencia artificial
Business Review (Núm. 316) · TIC

Conseguir que una empresa se beneficie del potencial de la inteligencia artificial requiere una buena colaboración entre el equipo de 'data science' y las unidades de negocio, así como mantenerse claramente centrado en el valor tangible

Las empresas que se embarcan en iniciativas de inteligencia artificial (IA) y de data science en el actual entorno económico  deberían aspirar a alcanzar un nivel de rentabilidad económica superior al que lograron muchas compañías en los primeros tiempos de la IA aplicada a las empresas. Hay varios estudios que sugieren que, hasta ahora, ha habido un bajo nivel de rentabilidad, en parte, porque muchos sistemas de IA nunca llegaron a implementarse: un estudio de 2021 de IBM1, por ejemplo, descubrió que solamente el 21% de 5.501 empresas afirmaba haber “implementado la IA en su organización”, mientras que el resto aseguraba estar explorándola, desarrollando pruebas de concepto o usando aplicaciones de IA prefabricadas. Del mismo modo, un análisis de VentureBeat2 indicaba que el 87% de los modelos de IA nunca alcanza la fase de producción, y una encuesta de 2019 de MIT Sloan Management Review y Boston Consulting Group3 explicaba que siete de cada diez empresas analizadas concluían que sus inversiones en IA habían tenido un rendimiento nulo. Esto es lógico: si no se alcanza la implementación a nivel de producción, no se genera valor económico alguno.

Pero hay otras compañías que sí han obtenido un rendimiento económico de sus inversiones en IA. Sus estrategias para generar valor incluyen el establecimiento de estrechas relaciones entre los equipos de análisis de datos y las unidades de negocio implicadas, seleccionando proyectos con un valor tangible y una ruta clara para llegar a la producción, asegurándose de que gozan de la confianza de los principales stakeholders antes de iniciar el proceso de desarrollo, construyendo productos de IA reutilizables, aplicando de forma selectiva proyectos de “prueba del concepto” y creando una secuencia o embudo de proyectos que abarque hasta la implementación en el ámbito de la producción. A continuación describimos cada una de esas estrategias.

 

Seis estrategias que conducen a la generación de valor Los proyectos de IA suelen ser liderados por el equipo de data science de la empresa, y ese equipo tiene la tarea tanto de ejecutar esos proyectos como de asumir la responsabilidad de los resultados obtenidos. Las siguientes seis estrategias pueden ayudar a guiar el equipo de data science hacia una mayor probabilidad de éxito en esos proyectos en los que está implicada más de una unidad.

 

1. Concéntrese en las colaboraciones con las unidades d...


Thomas H. Davenport

·

President’s Distinguished Professor de Tecnologías de la Información y Gestión Empresarial en Babson College, profesor invitado en la Saïd Business School de Oxford y miembro titular de la MIT Initiative on the Digital Economy

Ren Zhang

Chief Data Scientist del BMO Financial Group, miembro de la comisión asesora global de Business of Data y mentor en la Creative Destruction Lab ·