Adopción de IA en las empresas: ¿cuáles son los retos y cómo superarlos?

Adopción de IA en las empresas: ¿cuáles son los retos y cómo superarlos?

Ricoh Latin America presentamos cinco barreras de adopción de IA y cómo las empresas pueden superarlas de cara al 2020

Julio Urrutia, Director Consulting en Ricoh Latin America

El ingreso manual de datos, detección de spams, diagnósticos médicos poco precisos, deficiente segmentación de clientes, mantenimiento predictivo, son algunos problemas de negocio que muchas compañías experimentan día a día, pero a medida que más organizaciones adoptan la Inteligencia Artificial en sus múltiples procesos de negocio, aumenta también la visibilidad de los beneficios de negocio que brinda esta tecnología disruptiva, y ayuda a facilitar la toma de mejores decisiones. Según un estudio reciente1, se prevé que los ingresos del sector de inteligencia artificial en el mundo crezcan de 8.1 mil millones de dólares en 2018 a 105.8 mil millones de dólares para 2025.

En Ricoh, estamos trabajando para llevar su potencial al máximo. Este año, realizamos una prueba de concepto de implementación de IA en nuestros procesos de manufactura el cual ahorró a la compañía un estimado de $400,000.00 dólares al año en costos de fabricación . Pero sin duda, como dice el refrán, "un viaje de mil quilómetros comienza con un solo paso". Si se traslada esta frase al mundo empresarial, a menudo, estos primeros pasos pueden ser los más desafiantes.

Desde sistemas heredados hasta asegurar la inversión e incluso la implementación del IA en el lugar de trabajo, existen una serie de retos que deben superarse en una etapa temprana del proceso. En este contexto, en Ricoh Latin America presentamos cinco barreras de adopción de IA y cómo las empresas pueden superarlas de cara al 2020:

1) Sistemas heredados: Muchas organizaciones confían en la infraestructura, aplicaciones o dispositivos heredados para entregar algunas de sus operaciones de TI. Actualizar todo de una vez es un gran desafío. Esta infraestructura heredada a menudo se ve como un impedimento para adoptar el aprendizaje automático o la inteligencia artificial. Afortunadamente, la computación en la nube, o más específicamente, la nube híbrida, ha cambiado esta situación. La nube híbrida es cuando una organización utiliza infraestructura de TI local y alojada en la nube. Esta es una situación cada vez más común.

Adoptar la inteligencia artificial y el aprendizaje automático no significa que se deba actualizar toda el área de TI. Pero sí requiere que se adopte la nube para los análisis de datos e inteligencia artificial. La moderna tecnología de "Data Lake" funciona bien en un entorno híbrido, donde la nube se puede utilizar para análisis con sistemas operativos locales. La otra ventaja de las soluciones en la nube es que las actualizaciones y las nuevas características se implementan automáticamente, lo que conduce a menos configuraciones incorrectas, vulnerabilidades de seguridad e incompatibilidades, lo cual es importante tener en cuenta al momento de implementar tecnologías emergentes.

2) Escasez de habilidades: Actualmente, existe una escasez de habilidades en torno a la IA y el aprendizaje automático y esto puede dificultar los esfuerzos para desarrollar todas sus capacidades. Es importante brindar a las personas dentro del negocio (¡y no solo a TI!) la oportunidad de involucrarse. Esto resulta en una excelente manera de encontrar personas que estén entusiasmadas con la IA y quieran aprender más.

También se debe crear el entorno adecuado para desarrollar y fomentar una cultura innovadora. Desde impulsar la colaboración hasta asegurarse de que las personas tengan tiempo para explorar y experimentar nuevas ideas.

3) Falta de apoyo de la alta gerencia: Uno de los factores clave a tener en cuenta al implementar IA a las partes interesadas principales es que debe tener en cuenta a su audiencia y sus prioridades. Normalmente, los tomadores de decisiones no están interesados en los detalles técnicos y operativos. Se centran en los objetivos comerciales más amplios y en la rapidez con que pueden alcanzarlos. Los casos de uso específicos y realistas junto con el ROI proyectado son mucho más útiles que un "panorama general". Cuantos más datos y métricas puedan usar para respaldar su caso, mejor.

4) Desarrollar una estrategia coordinada de datos: Lo que he visto trabajando con clientes es que los proyectos de ciencia de datos pueden terminar aislados. Mantener los proyectos en ejecución y en funcionamiento se convierte en una tarea difícil y es menos probable que superen la etapa piloto. Lo importante es demostrar un enfoque robusto y escalable.

Una vez que la plataforma está lista, se puede implementar nuevos modelos e integrar nuevas áreas de operación más rápido, lo que acelera el proceso de hacer que la IA sea dominante en toda la organización.

5) Falta de comprensión en el negocio: El equipo de inteligencia artificial o aprendizaje automático deben ser visibles en la organización. Realizar presentaciones y talleres regularmente para explicar la estrategia y los objetivos es clave. Esta función consiste en explicar cómo funciona, qué puede hacer y hacer todo lo posible para incluir a las personas en este viaje.

Existe cierta preocupación sobre los efectos de la IA en el mercado laboral. Pero informes recientes sugieren que la IA creará miles de empleos. Demostrar a los compañeros que la IA puede ayudarlos, no reemplazarlos, es una buena práctica. El sueño de una semana laboral de 4 días con el mismo salario es un buen ejemplo para compartir. Eso es algo que casi todos desearían y la IA puede ayudarnos a llegar allí.