AI Strategy: How to Choose What AI Product to Implement
Este artículo presenta el marco de trabajo del ROI esperado (eROI), el cual ayuda a las empresas a superar la incertidumbre de la selección de proyectos de IA al evaluar por separado el valor potencial, la probabilidad de éxito y el costo de implementación de cada idea para construir una cartera robusta de apuestas de alto potencial.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Imagina que eres el capitán de una nave espacial masiva y tienes un suministro limitado de combustible. Debes decidir qué planetas lejanos visitar. Algunos planetas se ven brillantes y prometedores en tu radar, mientras que otros se ven misteriosos y potencialmente peligrosos. En el mundo de los negocios, este "combustible" es el dinero y el tiempo, y los "planetas" son los nuevos proyectos. Durante mucho tiempo, las empresas que intentaban utilizar la Inteligencia Artificial (IA) han sido como capitanes que adivinan qué planeta visitar basándose en lo genial que se ve el planeta, en lugar de comprobar si realmente pueden aterrizar allí o si siquiera vale la pena el viaje. Este documento profundiza en ese problema exacto: ¿cómo eliges qué proyecto de IA construir cuando no puedes estar 100% seguro de que funcionará? Los autores introducen una nueva forma de pensar llamada "eROI" (Retorno de la Inversión esperado). En lugar de intentar adivinar un único número mágico para las ganancias, sugieren desglosar la decisión en tres preguntas simples: ¿Cuánto dinero ganaríamos si funciona? ¿Qué tan probable es que realmente funcione? Y ¿cuánto costará construirlo? Es como revisar un mapa, un reporte meteorológico y un presupuesto antes de salir siquiera del muelle.
Los autores, que son expertos en negocios y ciencia de datos, argumentan que la mayoría de las empresas fallan en la IA no porque la tecnología sea demasiado difícil, sino porque eligen los proyectos equivocados para empezar. Proponen un marco llamado eROI (Retorno de la Inversión esperado) para ayudar a los líderes a clasificar cientos de ideas y elegir a los ganadores. La idea central es simple pero poderosa: deja de intentar amalgamar todo en un número confuso. En su lugar, separa tu decisión en tres pilares distintos.
Primero, pregunta: "¿Qué tan valioso sería si funcionara?" Esto no es solo sobre el efectivo inmediato; se trata de si el proyecto encaja con los grandes objetivos de la empresa, si crea nuevos activos de datos para el futuro, o si le enseña algo nuevo al equipo.
Segundo, pregunta: "¿Qué tan probable es que funcione?" Esta es la parte difícil. La IA está llena de incertidumbre científica. El hecho de que tengas los datos no significa que la computadora pueda descifrar el patrón. Los autores desglosan esto en cuatro comprobaciones: ¿Lo usarán los clientes? ¿Pueden nuestros ingenieros construirlo? ¿Tenemos los datos adecuados? Y lo más importante, ¿es la ciencia siquiera posible? Si la respuesta a cualquiera de estas es "tal vez no", todo el proyecto es riesgoso.
Tercero, pregunta: "¿Cuánto costará?" Esto no es solo el precio del software. Incluye el tiempo que dedica tu equipo, el costo de comprar nuevos datos y el arduo trabajo de integrar la nueva herramienta en tus rutinas diarias existentes.
Para mostrar cómo funciona esto, los autores cuentan la historia de una empresa de bienes raíces llamada Compass. Analizaron tres diferentes ideas de IA que la empresa estaba considerando:
La herramienta "Probabilidad de Venta": Esta era un sistema que analizaba la lista de contactos de un agente y señalaba a las personas que tenían más probabilidades de poner su casa a la venta pronto.
- El veredicto: Fue un éxito rotundo. Fue de Valor Muy Alto porque ayudó directamente a los agentes a realizar más ventas. Fue de Alta Probabilidad porque los datos eran claros y la ciencia era directa. Fue de Costo Medio porque el equipo ya tenía las herramientas para construirlo.
- El resultado: La empresa la construyó y terminó generando cientos de millones de dólares en ingresos adicionales.
La herramienta "Tiempo en el Mercado": Esta era una calculadora sofisticada que intentaba predecir exactamente cuánto tiempo estaría una casa en el mercado a un precio específico.
- El veredicto: Fue una trampa. Aunque parecía de Alto Valor en papel, la Probabilidad de Éxito era Baja. ¿Por qué? Porque la ciencia detrás de esto estaba rota. Para predecir cómo el precio causa que una casa se venda más rápido, necesitas saber qué habría pasado si el precio fuera diferente. Pero nunca puedes ver ese escenario de "qué pasaría si" en la vida real. Los autores llaman a esto un problema "causal", y sin experimentos especiales, la IA no podría resolverlo.
- El resultado: La empresa sabiamente archivó esta idea. Construirla habría sido un desperdicio de dinero porque la ciencia simplemente no estaba ahí todavía.
La herramienta de "Visualización de Renovación": Esta era una herramienta de IA Generativa que tomaría una foto de una cocina en mal estado y mostraría cómo se vería después de una renovación.
- El veredicó: Fue un "tal vez". El Valor era Bajo a Medio porque ya existen formas más baratas de hacer esto (como el home staging virtual). La Probabilidad era Media porque la IA podría cometer errores extraños que harían enojar a los compradores. El Costo era Medio.
- El resultado: Aunque sonaba genial y utilizaba la última palabra de moda "IA Generativa", las matemáticas no cuadraban. La empresa construyó una versión de ello, pero no despegó porque el riesgo de errores era demasiado alto en comparación con el beneficio.
El documento sugiere que el secreto del éxito no es solo tener una gran idea o los ingenieros más inteligentes. Se trata de tener un portafolio de apuestas. No pones todo tu combustible en el único proyecto "mejor". En su lugar, mezclas algunas cosas seguras (Victorias Rápidas), algunos sueños arriesgados (Proyectos Lunares/Moonshots) y algunos proyectos de investigación para descubrir si los grandes sueños son siquiera posibles.
Los autores son cuidadosos al decir que no necesitas matemáticas perfectas para usar esto. No necesitas calcular la ganancia exacta hasta el último centavo. Solo necesitas usar calificaciones simples como "Bajo", "Medio", "Alto" o "Muy Alto" para cada uno de los tres pilares. Esto ayuda a los equipos a dejar de discutir si un proyecto es "bueno" o "malo" y comenzar a tener conversaciones reales sobre por qué podría fallar o tener éxito.
Al final, el documento nos enseña que elegir un proyecto de IA es como planear un viaje por carretera. No puedes simplemente elegir el destino con la foto más bonita. Tienes que comprobar si el auto puede manejar el camino (Certeza Técnica), si tienes suficiente gasolina (Inversión) y si el destino realmente vale el viaje (Valor). Al separar estas preguntas, las empresas pueden dejar de gastar dinero en proyectos que se ven bien pero son imposibles de construir, y comenzar a financiar aquellos que realmente cambiarán el juego.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.