5 consejos para acelerar la implementación de la IA de su empresa

No es información privilegiada conocer el potencial incomparable de la implementación de la IA en toda la empresa. Incluso con todos los avances en los últimos años, todavía parece que estamos empezando a ver lo que puede hacer la inteligencia artificial.

Hay innumerables ejemplos de empresas en docenas de sectores que utilizan IA para diversas tareas y procesos. Los algoritmos ayudan a las empresas a predecir el comportamiento del cliente y los patrones de compra, optimizar las cadenas de suministro, personalizar experiencias, comprender a su fuerza laboral e incluso ayudarlo a encontrar a Wally .

Sin embargo, para algunas empresas, implementar y acelerar la implementación a gran escala es una perspectiva desalentadora. A muchos les preocupan los proveedores, la capacidad de integración, el costo y las cuestiones de privacidad y normativas. ¿Vale la pena exprimir el jugo dados estos desafíos?

Por lo tanto, si está pensando en adoptar aún más la inteligencia artificial en sus procesos, o si ha comenzado la transición y la encuentra frustrante o tediosa, aquí hay cinco formas de alcanzar sus objetivos más rápido.

Fuente: McKinsey & Company

1) Patrocinio ejecutivo seguro

Al igual que los ejemplos de SaaS anteriores, la IA está marcando el comienzo de una nueva forma de hacer las cosas en comparación con el software local. Pero con el cambio, viene el desafío. Tener la participación de C-suite es crucial para el éxito.

Cuanto más informados y comprometidos estén los superiores en el uso de la IA, mayores serán las posibilidades de adopción en toda la empresa. “Un liderazgo ejecutivo sólido va de la mano con una adopción más sólida de la inteligencia artificial.

Los encuestados de empresas que han implementado con éxito una tecnología de inteligencia artificial a gran escala tendían a calificar el soporte de C-suite casi dos veces más alto que los de empresas que no habían adoptado la tecnología de inteligencia artificial ”, según este estudio del McKinsey Global Institute .

Si no hay un líder empresarial posicionado para liderar su transición de IA, ya ha tenido un mal comienzo. Asegúrese de que aquellos en puestos ejecutivos tengan la tarea de diferentes facetas de un programa de integración de IA.

Cada paso también debe contar con el personal adecuado para impulsar el proceso, sin tener miedo de cambiar la dirección en el transcurso de una campaña para que tenga éxito.

Programe una teleconferencia semanal con las partes interesadas clave para garantizar que los roles se perfeccionen constantemente y que todos estén informados sobre el estado de adopción.

También vale la pena enfatizar que usted, como jefe de esta campaña, debe poder dictar los recursos, la inversión y la estrategia general en toda la organización. Esto incluye involucrar activamente a quienes lo rodean para obtener apoyo con la estrategia de IA, los activos humanos y de TI y la adopción cultural.

Sería útil si hiciera de la adopción cultural una prioridad al responsabilizar a los líderes de la organización mientras ejecutan las revisiones necesarias para continuar la transformación. La alta dirección debe eliminar barreras y obstáculos, tanto técnicos como culturales, para aumentar sus posibilidades de éxito.

Una vez que el C-suite esté alineado con sus objetivos, debe determinar cómo desea administrar y controlar el presupuesto. Eso es especialmente cierto si su panorama actual se compone de análisis internos o esfuerzos de inteligencia artificial en competencia.

Por último, no olvide celebrar y comunicar el progreso a su organización. Esto ayuda a reforzar el compromiso de los ejecutivos y a obtener apoyo para la transformación.

Fuente: McKinsey & Company

2) Definir la gestión y el gobierno de datos

El software de "autoservicio" y colaboración en equipo más inteligente y accesible trae consigo un aumento en los datos, las fuentes de datos y más expectativas del usuario final.

Como resultado, la demanda de un gobierno de datos adecuado se vuelve esencial. Sin él, los datos se quedan sin un propósito en un lago de datos o almacén. Mírelo de esta manera, más datos sin restricciones pueden dar a las empresas más libertad.

Sin embargo, a nivel empresarial, puede significar pasos perdidos, resultados ineficientes y descuidos. Un análisis más rápido puede convertirse en un problema antes de que se sienta como una solución.

Es fundamental abordar esto con el apoyo de los ejecutivos. Esto significa recursos definidos para administrar y mejorar la recopilación, la eficiencia y el uso de datos en todas las funciones vitales.

El equipo de gobierno de datos debe, además, establecer y supervisar políticas, estándares y definiciones de datos y administrar la calidad de los datos.

Recuerde, no todos los datos son iguales. Defina qué necesita control ejecutivo y qué datos se pueden poner a disposición del público para su uso.

Dada la disponibilidad actual de herramientas de visualización y análisis más fáciles de usar , ¿cuánto 'autoservicio' se puede permitir para crear mejores modelos predictivos o diferentes formas de crear nuevos procesos comerciales? ¿Quién puede definir estos conjuntos de datos y casos de uso?

Estos son aspectos vitales a considerar, ya que es necesario lograr un equilibrio entre ser rígido y protector y ser flexible. Esto, nuevamente, resalta la importancia de un modelo de gobierno de datos útil.

Demasiado control puede significar procesos lentos, falta de respuesta, trámites burocráticos, la necesidad de cosas como la verificación del correo electrónico y el uso abierto de soluciones de TI dirigidas por la empresa.

Demasiada flexibilidad puede significar diferentes versiones de la verdad, lo que no conduce a una propiedad o responsabilidad reales, a conflictos y a una reducción de la productividad.

Fuente: KPMG  

A medida que toma decisiones sobre IA, un proceso de gobierno de datos le permite implementar y administrar dichas decisiones. Incluyendo quién puede acceder a qué, cuánto acceso y qué implica ese acceso.

3) Adopte un enfoque de consideración y prueba en lugar del éxito o el fracaso

Todas las adopciones de IA son únicas y presentan sus propios desafíos. Por lo tanto, debe comenzar todas las presentaciones de la IA con un método de "prueba y refinamiento" en lugar de un enfoque de "éxito o fracaso".

Convencionalmente, los métodos analíticos infieren una relación definida entre variables. Probar una hipótesis unilateral la validará o rechazará, pero no descubrirá la conexión oculta entre las variables; el por qué .

Es fundamental crear hipótesis para cada paso y luego utilizar estos aprendizajes y experiencias en los siguientes. Significa refinar y curar su implementación de IA hasta que se sienta como una solución viable que ofrezca resultados significativos, es un proceso mucho más fácil.

Y, si bien este enfoque extenderá inevitablemente los plazos de implementación, también le permite ajustar el resultado para incorporar lecciones aprendidas de la vida real.

Si está integrando IA en un servicio al cliente computarizado como chatbots automatizados, es vital que no importa a dónde vaya el cliente, hay una respuesta esperándolo. No puede funcionar hasta cierto punto, necesita absolutos. Las soluciones definitivas se alinearán con las necesidades de los empleados y del usuario final.

Fuente: PWC

4) Dedique tiempo a la gestión del cambio y a la formación.

Implementar una API de IA para ingerir un nuevo conjunto de datos es sencillo. Sin embargo, modificar la gestión y la formación de los analistas que utilizarán estos procesos en el futuro es un desafío.

La mayoría de las formas de IA crean decisiones automatizadas: "sí" o "no". Sin embargo, a menudo ocurre que la integración de algoritmos ML también puede permitir respuestas más sutiles. Estas respuestas se pueden utilizar junto con los procesos existentes para ofrecer los mejores resultados.

Por ejemplo, si los puntajes de decisión de una IA dicen, una solicitud de préstamo en una escala de idoneidad del 1 al 10, los puntajes del 7 al 10 pueden arrojar un sí automático.

Sin embargo, cualquier cosa más baja aún requerirá la participación de personas para otorgar o denegar la solicitud. Si está integrando IA para analizar los comandos de voz en un centro de llamadas a través de comunicaciones VoIP , ¿cómo puede distinguir los comandos más allá de la “opción 1 u opción 2”?

Así como dedicaría tiempo a capacitar a los empleados sobre cómo utilizar un proceso específico, lo mismo ocurre con los resultados basados ​​en la inteligencia artificial.

Los empleados humanos pueden necesitar pasar algunas semanas analizando los resultados de los algoritmos de IA. Eso les daría un marco de referencia en términos de cómo interpretar mejor las puntuaciones.

Si está utilizando un proveedor de inteligencia artificial, puede guiarlo en términos de cómo comprender los resultados y cómo los empleados pueden aprovechar al máximo el nuevo sistema. De lo contrario, aprender a crear una plataforma de aprendizaje en línea podría ser una inversión valiosa para poner al día a los miembros del equipo.

La IA no es 'mágica'. Es solo una forma de comprender patrones y comportamientos para ofrecer resultados más precisos y hacer predicciones. La IA solo funciona cuando tiene un problema definido que resolver y las métricas adecuadas para tener éxito. Si no ha definido claramente el problema que compró AI para resolver, no obtendrá la solución correcta.

Fuente: Harvard Business Review

5) Consolidar y asimilar la automatización

A medida que aumente la adopción de la IA en toda la empresa, el aspecto de estos procesos en el futuro cambiará con la introducción de una multitud de tipos de automatización. Desde procesos manuales completos hasta la adopción de RPA e incluso protocolos de IA más avanzados.

Es mejor reinventar los procesos comerciales desde cero con la inteligencia artificial en mente (y sé que es un gran desafío) . A continuación, puede aplicar la mejor herramienta para el trabajo en cualquier paso.

La mera inserción de RPA o AI en procesos establecidos puede significar que se pierde todo su potencial. También debe considerar las transferencias que deben ocurrir a medida que se integra.

Esto incluye el aprendizaje humano-máquina o máquina-máquina. Al optimizar las transferencias y hacerlas más fluidas y confiables, puede mejorar aún más sus procesos futuros para que sean rentables, competitivos y ágiles.

Fuente: Harvard Business Review

La implementación de la IA se puede acelerar. Sin embargo, no se trata necesariamente de ser más inteligente; se trata de tomar las decisiones correctas. Tener la participación ejecutiva combinada con un equipo de gobierno de datos definido es vital.

Como es obsesionarse con la calidad de los datos, dedicar suficiente tiempo a la gestión del cambio y realizar una prueba sin un enfoque de expectativas definidas.

Si encuentra que su proyecto de IA está ocupando demasiado tiempo, tenga paciencia. Como cualquier tipo de transformación digital, justo cuando se acerca a la línea de meta, probablemente encontrará otro obstáculo. Superelo, sin embargo, y las posibilidades son ilimitadas.

John Allen es el director de SEO global en RingCentral, un proveedor global de soluciones de videoconferencia, UCaaS y VoIP. Tiene más de 14 años de experiencia y una amplia experiencia en la creación y optimización de programas de marketing digital. Ha escrito para sitios web como Hubspot y BambooHR.