A pesar de que todos los días se producen novedades y lanzamientos de nuevos productos sobre inteligencia artificial, del interés y las ventajas que supone, y de las previsiones espectaculares, muy pocas empresas están consiguiendo ahorros de costes significativos que puedan justificar en su cuenta de resultados. Un reciente estudio del MIT indica que sólo el 7 % de las empresas han conseguido que la IA se traduzca en ahorros de costes. La mayoría no ha pasado de la realización de proyectos pilotos, con mejores o peores resultados. En España, más del 90 % de usuarios utilizan IA como herramientas de ayuda y, aun así, los resultados son inferiores. Y es que su uso se limita a la búsqueda de información, a la realización de resúmenes y comparativas o ayudas para presentaciones. Estos usos están ahorrando horas de trabajo en las empresas, pero no se traducen en ahorros reales por la falta de un plan concreto.
¿Cuáles pueden ser las causas de esta aparente diferencia entre las expectativas y los resultados reales?
Muchos de los proyectos pilotos realizados por las empresas no tenían objetivos transformacionales, se trataba en muchos casos de conseguir resultados a corto plazo, con resultados lo más espectaculares posibles, que permitieran la venta interna de la nueva tecnología y la concienciación de su importancia, pero no tenían capacidad de escalar ni buscaban conseguir esos ahorros importantes. Tampoco tenían el plan de gestión del cambio que supone la implantación de una nueva tecnología. Parece que se pensaba que, dado el interés y las expectativas, el cambio se produciría por sí sólo.
La implantación de la IA precisa de un proyecto empresarial que pueda generar ahorros en la cuenta de resultados. Este proyecto necesita inversiones sostenidas, la identificación clara de las áreas de la empresa donde la IA puede ser más efectiva y la decisión de la alta dirección de realizar trasformaciones reales mediante ciclos interactivos que se retroalimenten con los resultados obtenidos. Estos procesos, como cualquier proceso de gestión de cambio, requiere de gobierno, medida y seguimiento de los resultados, formación específica en los ámbitos de cambio y, sobre todo, de liderazgo. Hay que conocer y combinar las posibilidades tecnológicas de la IA con la estrategia, y gestionar un proceso de cambio complejo.
La implantación de la IA no es un proceso que ocurre por sí mismo. Tiene fuertes implicaciones en las personas y hay que tenerlas muy en cuenta para evitar que se generen fuertes fricciones. Los empleados tienen que ser conscientes de los objetivos buscados. Es necesario disipar algunas dudas sobre qué ocurrirá en el futuro cuando se implante la IA, algunos conocimientos específicos sean asumidos y, por tanto, ya no sean factor de valoración del puesto de trabajo. Hay que ser capaces de explicar algunas preguntas complicadas cómo, por ejemplo, en qué se emplearan las horas ahorradas ¿Será en otras tareas de mayor valor, en ahorros reales, o …?
La gestión efectiva del cambio es uno de los principales retos, posiblemente mayor que los aspectos tecnológicos del proyecto. También hay que gestionar y ser consciente que el personal formado en tecnologías avanzadas es candidato a recibir ofertas atractivas y hay que pensar en cómo motivarlo en el proyecto e incentivarlo para evitar rotaciones que pueden significar retrasos importantes.
Como en cualquier proyecto estratégico resulta imprescindible medir los costes incurridos y los ahorros conseguidos en cada uno de los proyectos. La implantación de la IA supone licencias de herramientas y subscripciones que pueden incrementarse en los años siguientes. Hay que considerar estas posibles situaciones y utilizar una arquitectura que permita reducir la dependencia de los proveedores.
Independiente de si se trata de tareas de desarrollo software o de cualquier otro tipo de tareas, resulta crucial poder medir el resultado y la calidad del trabajo. Esto nos permitirá conocer si estamos consiguiendo los resultados esperados y planificar el siguiente ciclo de mejora. También resulta necesario poder compararnos con instalaciones similares. Puede darse el caso que estemos muy satisfechos porque estamos consiguiendo mejoras de productividad del 20 % y no conozcamos que nuestra competencia está consiguiendo mejoras del 40 %, o superiores.
Una alternativa válida es establecer un sistema que permita cuantificar la productividad. Si hablamos de desarrollo software hay que medir la calidad del software de manera objetiva. Tenemos que conocer si el tiempo de entrega de los proyectos ha disminuido, si los resultados se corresponden con las necesidades y especificaciones y verificar que la calidad del software ha mejorado y los costes asociados se han optimizado. Estas métricas son cruciales para tomar decisiones sobre cómo avanzar en el desarrollo del software y poder definir ciclos de mejoras incrementales.
Otro recurso fundamental es el benchmarking, que posibilita la comparación del rendimiento de equipos, tecnologías y procesos en relación con los estándares de la industria o con resultados históricos de la propia organización. En este contexto, el benchmarking proporciona una visión clara de cómo la implementación de la IA está impactando la productividad.
Alexandra Blanco
Head of content of LedaMC
