¿La IA nunca se equivoca?

El término IA se utiliza de forma muy inflacionista. En marketing, la IA se utiliza para anunciar casi uno de cada dos productos. Existen varias definiciones de IA, de las que aquí utilizaré las siguientes.

Las soluciones de IA tienen al menos las tres propiedades siguientes: Poseen el denominado conocimiento del dominio, es decir, información (conocimiento) sobre un determinado ámbito temático y las reglas que le pertenecen. Con ello, la IA (conoce), por ejemplo, determinados objetos y situaciones, puede optimizar rutas, reconocer desviaciones y sugerir medidas.

Para poder tomar datos y hacer sugerencias, la IA debe, en segundo lugar, ser capaz de actuar con su entorno. Se trata, como mínimo, de interfaces con otros sistemas (por ejemplo, ERP, información sobre tráfico, inventarios, etc., o incluso sensores que trabajen directamente para la IA). También se necesitan interfaces para la difusión de resultados y, cada vez más, para la comunicación interactiva con los usuarios.

Autónomo pero sensible

Muchas soluciones de IA funcionan sin comunicación con los humanos. Cada vez más -y aquí es donde más se nota para nosotros como usuarios-, la comunicación con nosotros es mediante texto o entrada de voz. Los sistemas actuales no sólo pueden hablar en voz baja, sino también expresar matices lingüísticos.

Con la información de que hablamos, también se puede determinar, por ejemplo, el nivel de estrés (una persona que llama enfadada puede ser transferida directamente al personal del centro de llamadas). También pueden asignar correctamente palabras con varios significados (los llamados homónimos) como "banco" como entidad financiera, sede, instancia en el juego o formación del terreno ("banco de arena"), etc.

En tercer lugar, una IA también debe ser capaz de aprender. Aquí es donde fallan la mayoría de las soluciones que se ofrecen como soluciones basadas en IA. Un ejemplo es Supply Chain Insights de IBM, que "discute" soluciones anteriores exitosas con un equipo humano e incluye en su repositorio la solución encontrada para una interrupción de la cadena de suministro.

O los centros de llamadas entrantes que se comunican con los clientes mediante IA y entrada y salida de voz (no se creerían la frecuencia con que se utiliza ahora) y luego ofrecen la solución aceptada por el cliente de forma preferente a las siguientes personas que llaman. Del mismo modo, la tramitación automatizada de siniestros de las compañías de seguros, que liquidan siniestros cada vez más caros mediante IA.

¿Aumenta la IA las ventas?

En un estudio de Forrester, "Overcome Obstacles To Get To AI At Scale" (2020), se preguntaba por los objetivos más importantes que los clientes esperan de la introducción de soluciones basadas en IA. Encabezaban la lista el aumento del crecimiento de los ingresos, la productividad de los empleados, la experiencia (positiva) del cliente, la rentabilidad y la eficiencia de los procesos empresariales. Como se puede ver, un amplio ramillete de expectativas, pero comprensible al tratarse de herramientas de amplia aplicación. 

Cuando observamos el estado de la introducción de soluciones de IA, vemos que la voluntad está ahí y que muchas empresas también han puesto en marcha iniciativas. En la práctica, el mayor obstáculo son los datos necesarios.

Se trata de la calidad de los datos, que no suelen ser lo bastante buenos para entrenar sistemas de IA o para los que no está claro si pueden utilizarse para los fines requeridos. Luego está la integración de los distintos silos de datos. El siguiente obstáculo es comprender qué datos se necesitan para cada resultado.

La introducción de soluciones basadas en IA no es un sprint, sino una "carrera de resistencia" que nunca termina. ¿Las soluciones de IA también pueden errar? Por desgracia, sí. Sin embargo, cuanto mejores sean las reglas, mejor aprenderá el sistema y cuanto mejores sean los datos, más óptimos serán los resultados.