La exageración en torno a la IA ha alcanzado un punto álgido. Miles de millones de dólares se vierten en nuevas empresas de IA; las empresas se esfuerzan por integrar la IA en sus flujos de trabajo; y los líderes tecnológicos evangelizan su potencial transformador. Sin embargo, en medio de todo el ruido, una pregunta fundamental sigue sin respuesta: ¿Qué problema está diseñada realmente para resolver la IA?
por Alan Pelz-Sharpe
Sorprendentemente, muchos inversores y ejecutivos luchan por articular una respuesta clara. Un rápido escaneo de LinkedIn revela unestribillo común: “Todavía estamos explorando los mejores casos de uso para la IA”. Si eso es correcto, ¿por qué se invirtieron miles de millones antes de identificar problemas concretos? Esto sugiere que, en muchos casos, la IA es la solución proverbial en busca de un problema: un martillo tecnológico que busca clavos para romper.
No quiero decir que la IA carezca de valor. Puede resolver desafíos reales, pero solo si las organizaciones primero definen cuáles son esos desafíos. Con demasiada frecuencia, la IA se implementa de manera reactiva, arrojada a los síntomas en lugar de a las causas fundamentales, lo que lleva a un desperdicio de recursos, desilusión e ineficiencias aún más profundas.
Sobrecarga de datos y mala gestión de metadatos
Uno de los casos de uso más convincentes de la IA es la gestión del abrumador volumen de datos no estructurados y mal etiquetados que acumulan las organizaciones. Muchas empresas se asientan en decenas de miles de millones de archivos (documentos, correos electrónicos, imágenes, registros) sin una forma efectiva de categorizarlos o recuperarlos. La IA puede:
♦ Automatice el etiquetado de metadatos a una escala imposible para los humanos.
♦ Mejore la capacidad de búsqueda, facilitando la localización de información crítica.
♦ Identifique datos redundantes u obsoletos, ayudando a las organizaciones a limpiar el desorden digital.
Pero aquí está el truco: la existencia de tantos datos no administrados apunta a un problema más profundo: la mala gobernanza de datos. Las empresas han pasado décadas acumulando información sin políticas de ciclo de vida, reglas de retención u organización sistemática. La IA puede ayudar a limpiar el desorden, pero no aborda las fallas culturales y de procedimiento que crearon el desorden en primer lugar.
Toma de decisiones bajo complejidad
Otro problema legítimo que aborda la IA es la parálisis de decisiones causada por la sobrecarga de información. Las empresas modernas generan cantidades asombrosas de datos, pero luchan por extraer información procesable. El análisis impulsado por IA puede:
♦ Patrones de superficie en grandes conjuntos de datos que los humanos podrían pasar por alto.
♦ Predecir tendencias (por ejemplo, interrupciones de la cadena de suministro, rotación de clientes).
♦ Automatice las decisiones rutinarias, liberando ancho de banda humano para el pensamiento estratégico.
Sin embargo, la efectividad de la IA aquí depende de la calidad de los datos de entrada. Basura entra, basura sale. Si los procesos de toma de decisiones son defectuosos debido a malas prácticas de datos, la IA no los solucionará mágicamente, solo podría automatizar la disfunción.
La ilusión de una “mejor búsqueda” como innovación
Muchas aplicaciones de IA son, en esencia, herramientas de búsqueda mejoradas. Ya sea que ChatGPT recupere información o que la IA empresarial indexe documentos internos, la función subyacente a menudo es simplemente encontrar las cosas más rápido.
Pero, ¿por qué necesitamos una mejor búsqueda? Porque las cosas se pierden en primer lugar. El hecho de que los empleados pierdan horas buscando archivos o recreando el trabajo existente son síntomas de una mala gestión de la información, no de falta de IA. Lanzar una búsqueda impulsada por IA al problema sin solucionar la desorganización subyacente es como usar un lanzallamas para encender una vela, exagerado, y potencialmente peligroso.
Estudio de caso: La compañía de petróleo y gas que solucionó el problema equivocado
Un ejemplo revelador proviene de una importante empresa de petróleo y gas que quería reemplazar su sistema KM heredado. Los empleados lo odiaban, citando el acceso lento a archivos grandes en ubicaciones remotas. Los consultores (incluido el autor de este artículo) identificaron el problema real: ancho de banda deficiente en los sitios locales, no en el sistema KM en sí.
A pesar de las advertencias, la compañía gastó millones en un nuevo sistema, solo para terminar ejecutando tanto el sistema antiguo como el nuevo en paralelo, con los mismos problemas de acceso remoto persistentes. La solución real, la actualización del cable de cobre a las conexiones satelitales, había sido propuesta por trabajadores remotos durante años, pero fue ignorada.
Esto ilustra un patrón común: las organizaciones utilizan la tecnología para tratar los síntomas en lugar de las causas fundamentales. La IA, si se aplica incorrectamente, corre el riesgo de convertirse en la última iteración de este error.
Peor aún son las implementaciones de IA arraigadas en la desconfianza hacia los empleados. Algunos ejecutivos hacen estas suposiciones sobre los trabajadores:
♦ Son perezosos y necesitan IA para monitorear la productividad.
♦ Son incompetentes y necesitan IA para corregir sus errores.
♦ Son redundantes y necesitan IA para reemplazarlos.
En realidad, muchos empleados están mal equipados, mal dirigidos o atrapados en procesos rotos. La IA que los vigila, cuestiona o reemplaza sin abordar los problemas sistémicos solo generará resentimiento e ineficiencia.
Antes de invertir en IA, las organizaciones deben hacerse estas preguntas:
1. ¿Qué problema específico estamos tratando de resolver? (No solo, “Necesitamos IA porque todos los demás la tienen”).
2. ¿Es este un problema de datos, procesos o cultura? (La IA no puede arreglar el mal liderazgo o los flujos de trabajo aislados).
3. ¿Hemos agotado las soluciones que no son de IA? (A veces, una mejor capacitación o un mejor rediseño de procesos funcionan mejor).
4. ¿Estamos preparados para gobernar la IA adecuadamente? (Sin supervisión, la IA puede amplificar sesgos o errores).
La IA tiene un enorme potencial, pero solo cuando se aplica a problemas bien definidos. En este momento, gran parte del frenesí de la IA se asemeja a las burbujas tecnológicas pasadas, donde la exageración superó la utilidad práctica. Las organizaciones que tendrán éxito con la IA hacen lo siguiente:
♦ Reconozca sus ineficiencias reales (no solo las que los proveedores afirman que la IA corrige).
♦ Escuche a los empleados sobre los puntos débiles antes de imponer soluciones de IA.
♦ Trata a la IA como un facilitador, no como una varita mágica
De lo contrario, veremos experimentos más costosos que terminan como el proyecto KM de la compañía petrolera: dos sistemas rotos en lugar de uno y los mismos viejos problemas que persisten debajo.
La IA no es el problema. No saber por qué lo estás usando sí lo es.