Formas incorrectas de implementar la IA: lecciones aprendidas de errores pasados

Por cada noticia sobre el último avance en Inteligencia Artificial (IA), también vemos muchas historias sobre errores con la  IA en el mundo empresarial. Un estudio estima que el 70% de las iniciativas de IA “no tienen ningún impacto o es mínimo”, lo que se achacan a diversos factores: falta de experiencia, incomprensión de las capacidades de la IA y falta de presupuesto, entre otros.

A medida que desarrollábamos nuestra metodología SoftwareOne Intelligemce Fabric para implementar con éxito la IA, también identificamos muchos obstáculos. Si te mantienes alerta ante este tipo de problemas, podrás evitar los fracasos de los proyectos de IA que han costado a muchas empresas demasiado dinero, tiempo y energía.

Estrategia poco clara

Imaginemos un minorista que quiere ofrecer recomendaciones de productos más personalizadas a sus clientes online y, al mismo tiempo, mejorar la gestión de su inventario. Sus objetivos son mejorar la experiencia de compra del cliente, aumentar las ventas y reducir los costes y la falta de existencias, así que desarrolla modelos predictivos para el inventario e integra algoritmo de recomendación de IA en su plataforma de comercio electrónico, pero ambas soluciones no cumplen las expectativas.

 ¿Qué falló? El mayor error se produjo al principio del proyecto, cuando no se invirtió el tiempo y el esfuerzo necesarios para identificar claramente los resultados deseados y asegurarse de que su programa de IA se alineaba estratégicamente con sus objetivos. Como resultado, el proyecto acabó centrándose en la tecnología y no en los problemas que la empresa quería resolver.

Experiencia de usuario deficiente

En este caso, un proveedor de servicios sanitarios vio en la IA una forma de automatizar la programación de citas de los pacientes y mejorar su atención mediante interacciones de seguimiento personalizadas. Con ello, pretendía aumentar la satisfacción de los pacientes y la eficiencia operativa, al tiempo que optimizaba la carga de trabajo del personal. La empresa cometió el error de no prestar atención a cómo sería la experiencia de la IA para los usuarios finales.

Poco después de poner en marcha la solución, los pacientes empezaron a quejarse. El uso de los chatbots era complicado, y las interacciones eran impersonales e insatisfactorias. Así que la adopción del chatbot siguió siendo baja y la empresa no obtuvo los beneficios esperados. El proveedor podría haber evitado este resultado centrándose más en el diseño orientado al usuario. De este modo le habría permitido personalizar sus LLM para que fueran más empáticos, atractivos y fáciles.

MLOps débiles

El mantenimiento predictivo prometía ayudar a un fabricante a minimizar el tiempo de inactividad, mejorar la calidad del producto y optimizar sus costes de mantenimiento de los equipos de la fábrica. Los algoritmos de la IA que implementó la empresa no proporcionaron el asesoramiento de mantenimiento en tiempo real ni otras ventajas que esperaba.

El problema se debió a la ineficacia de las operaciones de aprendizaje automático (MLOps), una práctica que se basa en los éxitos de DevOps para apoyar la integración y el desarrollo continuo en aplicaciones de IA. Con sus algoritmos construidos sobre una base deficiente, los análisis de datos y las predicciones del fabricante acabaron siendo imprecisos. Si hubiera empezado con MLOps más sólidos, la empresa podría haber construido, supervisado y actualizado mejor los modelos de aprendizaje automático para reflejar la realidad.

Bases de datos inadecuadas

Con el objetivo de mejorar la seguridad y la satisfacción del cliente, una empresa de servicios financieros esperaba utilizar la IA para detectar actividades fraudulentas. No logró crear las bases adecuadas integrando correctamente los datos de todos sus sistemas. Como resultado, los algoritmos que implementó no funcionaron eficazmente, con lo cual no identificaba ni fraude ni transacciones sospechosas.

Para implantar la IA correctamente, primero hay que poner los datos en orden. Esto significa no solo asegurarse de que los datos utilizados para crear una solución sean precisos y fiables, sino también de que la información esté limpia, sea completa y pueda utilizarse para los fines previstos.

Falta de apoyo en la adopción

Una empresa de telecomunicaciones vio la oportunidad de mejorar la satisfacción del cliente y reducir costes introduciendo chatbots con IA para gestionar consultas habituales de los clientes. Estrenó los LLM utilizando sus propios datos históricos de interacción con los clientes con el objetivo de proporcionar respuestas mas eficientes y específicas a las preguntas de los clientes, pero la nueva solución se topó con la resistencia de empleados y clientes.

Aunque la solución de IA en sí funcionó de acuerdo con las expectativas, la empresa no consiguió allanar el camino para su adopción por parte de los usuarios finales. Los empleados carecían de la formación necesaria para utilizar la tecnología con eficacia, y los clientes no recibieron avisos ni comentarios antes de implantar el nuevo sistema. La empresa de telecomunicaciones podría haber gestionado mejor el cambio mediante una comunicación proactiva con los usuarios, una formación adecuada de los empleados y un despliegue por fases que permitiera introducir mejoras basadas en las opiniones de los clientes.