Así es la toma de decisiones impulsada por la Inteligencia Artificial

Muchas empresas se han adaptado a un enfoque «basado en datos» para la toma de decisiones operativas. Los datos pueden mejorar las decisiones, pero requieren el procesador correcto para aprovechar al máximo. Mucha gente asume que el procesador es humano. El término «basado en datos» implica incluso que los datos se curan y se resumen para que las personas los procesen.

Pero para aprovechar al máximo el valor contenido en los datos, las compañías necesitan incorporar inteligencia artificial (IA) a sus flujos de trabajo y, a veces, sacar al ser humano del camino.

Necesitamos evolucionar de flujos de trabajo impulsados por datos a impulsados por Inteligencia Artificial (IA).

Distinguir entre «manejado por datos» y «manejado por inteligencia artificial» no es solo semántica. Cada término refleja diferentes activos, el primero se centra en los datos y la capacidad de procesamiento posterior. Los datos contienen los conocimientos que pueden permitir mejores decisiones; El procesamiento es la forma de extraer esas ideas y tomar acciones.

Los seres humanos y la inteligencia artificial son procesadores, con habilidades muy diferentes. Para comprender la mejor manera de aprovechar cada uno, es útil revisar nuestra propia evolución biológica y cómo la toma de decisiones ha evolucionado en la industria.

La historia de la Inteligencia Artificial (IA).

Cazadores y Recolectores en la prehistoria

Hace apenas cincuenta o setenta y cinco años, el juicio humano era el procesador central de la toma de decisiones empresariales. Los profesionales confiaban en sus intuiciones altamente afinadas, desarrolladas a partir de años de experiencia (y un poco de datos relativamente) en su dominio, por ejemplo, para elegir la creatividad adecuada para una campaña publicitaria, los usaban para determinar los niveles de inventario adecuados o aprobar las inversiones financieras necesarias. La experiencia y el instinto de destreza eran la mayor parte de lo que estaba disponible para discernir lo bueno de lo malo, lo alto de lo bajo y lo arriesgado frente a lo seguro.

Era, quizás, demasiado humano. Nuestras intuiciones están lejos de ser instrumentos ideales para tomar decisiones. Nuestros cerebros están infligidos por muchos sesgos cognitivos que afectan nuestro juicio de manera predecible. Este es el resultado de cientos de miles de años de evolución donde, como cazadores-recolectores, desarrollamos un sistema de razonamiento que se basa en heurísticas simples: atajos o reglas de oro que evitan el alto coste del procesamiento de una gran cantidad de información.

Esto permitió tomar decisiones rápidas, casi inconscientes, para salir de situaciones potencialmente peligrosas. Sin embargo, «rápido y casi inconsciente» no siempre significa óptimo o incluso exacto.

Imagine a un grupo de nuestros ancestros cazadores-recolectores acurrucados alrededor de una fogata cuando de repente un arbusto cercano empieza a hacer ruido. Se debe tomar una decisión de tipo «rápido y casi inconsciente»: concluye que es un depredador peligroso y huya, o solicite recopilar más información para ver si es una presa potencial, por ejemplo, un conejo, que puede proporcionar nutrientes. Nuestros antepasados más impulsivos, aquellos que decidieron huir, sobrevivieron a una tasa más alta que sus compañeros más curiosos. El coste de volar y perder un conejo era mucho más bajo que el coste de quedarse y arriesgarse a perder la vida con un depredador.

Con tal asimetría en los resultados, la evolución favorece el rasgo que conduce a consecuencias menos costosas, incluso en el sacrificio de la precisión. Por lo tanto, el rasgo para una toma de decisiones más impulsiva y un menor procesamiento de la información prevalece en la población descendiente.

El contexto moderno a la Inteligencia Artificial

En el contexto moderno, las heurísticas de supervivencia se convierten en innumerables sesgos cognitivos precargados en nuestros cerebros heredados. Estos sesgos influyen en nuestro juicio y en la toma de decisiones en formas que se apartan de la objetividad racional. Damos más peso del que deberíamos a los eventos vívidos o recientes. Clasificamos de forma aproximada los temas de los estereotipos generales que no explican suficientemente sus diferencias. Nos basamos en la experiencia previa, incluso cuando es completamente irrelevante. Solemos evocar explicaciones engañosas para eventos que en realidad son solo ruido aleatorio.

sesgos psicológicos en un modelo de toma de decisiones

Estas son solo algunas de las docenas de formas en que el sesgo cognitivo afecta al juicio humano y, durante muchas décadas, fue el procesador central de la toma de decisiones empresariales. Ahora sabemos que confiar únicamente en la intuición humana es ineficiente, caprichoso, falible y limita la capacidad de la organización.

Toma de decisiones basada en datos

Gracias a Dios, entonces, por los datos. Los dispositivos conectados ahora capturan volúmenes impensables de datos: cada transacción, cada gesto del cliente, cada indicador micro y macroeconómico, toda la información que puede informar mejores decisiones. En respuesta a este nuevo entorno rico en datos, hemos adaptado nuestros flujos de trabajo. Los departamentos de TI admiten el flujo de información que utiliza las máquinas (bases de datos, sistemas de archivos distribuidos y similares) para reducir los volúmenes de datos que no se pueden administrar a resúmenes digeribles para el consumo humano.

Los resúmenes son procesados por humanos utilizando herramientas como hojas de cálculo, paneles y aplicaciones de análisis. Eventualmente, los datos altamente procesados, y ahora manejablemente pequeños, se presentan para la toma de decisiones. Este es el flujo de trabajo «impulsado por datos«. El juicio humano sigue siendo el procesador central, pero ahora utiliza datos resumidos como una nueva entrada.

Si bien es indudablemente mejor que depender únicamente de la intuición, los seres humanos que desempeñan el papel de procesador central aún crean varias limitaciones.

  1.  No aprovechamos todos los datos. Los datos resumidos pueden ocultar muchas de las ideas, relaciones y patrones contenidos en el conjunto de datos original (grande). La reducción de datos es necesaria para acomodar el rendimiento de los procesadores humanos. Por mucho que seamos expertos en digerir nuestro entorno, procesando sin esfuerzo grandes cantidades de información ambiental, estamos muy limitados cuando se trata de procesar los datos estructurados que se manifiestan como millones o billones de registros. La mente puede manejar los números de venta y el precio de venta promedio acumulado a nivel regional. Tiene dificultades o se apaga una vez que comienza a pensar acerca de la distribución completa de los valores y, de manera crucial, las relaciones entre los elementos de datos: la información se pierde en los resúmenes agregados, pero es importante para una buena toma de decisiones. (Esto no es para sugerir que los resúmenes de datos no son útiles. Sin duda, son excelentes para proporcionar una visibilidad básica del negocio. Pero proporcionarán poco valor para el uso en la toma de decisiones. En otros casos, los datos resumidos pueden ser totalmente engañosos. Los factores de confusión pueden dar la apariencia de una relación positiva cuando en realidad es lo opuesto. Y una vez que se agregan los datos, puede ser imposible recuperar los factores contribuyentes para poder controlarlos adecuadamente. (La mejor práctica es usar ensayos controlados aleatorios, es decir, pruebas A / B. Sin esta práctica, incluso la inteligencia artificial puede no ser capaz de controlar adecuadamente los factores de confusión).
  2. Los datos no son suficientes para aislarnos del sesgo cognitivo. Los resúmenes de datos están dirigidos por humanos de una manera que es propensa a todos esos sesgos cognitivos. Dirigimos el resumen de manera intuitiva para nosotros. Pedimos que los datos se agreguen a los segmentos que consideramos que son arquetipos representativos. Sin embargo, tenemos esa tendencia a clasificar de forma general los temas de estereotipos generales que no explican suficientemente sus diferencias. Por ejemplo, podemos resumir los datos en atributos como la geografía, incluso cuando no hay una diferencia perceptible en el comportamiento entre regiones. Los resúmenes también pueden considerarse como un «grano grueso» de los datos. Es una aproximación más áspera de los datos. Por ejemplo, un atributo como geografía debe mantenerse en un nivel de región donde haya relativamente pocos valores (es decir, «este» frente a «oeste»). Lo que importa puede ser mejor que eso: ciudad, código postal, incluso datos a nivel de calle. Eso es más difícil de agregar y resumir para el proceso de los cerebros humanos. También preferimos relaciones simples entre elementos. Tendemos a pensar que las relaciones son lineales porque nos es más fácil de procesar. La relación entre precio y ventas, penetración de mercado y tasa de conversión, riesgo de crédito e ingresos, todo se asume lineal incluso cuando los datos sugieren lo contrario. Incluso nos gusta evocar explicaciones elaboradas para las tendencias y la variación en los datos, incluso cuando se explica de manera más adecuada por la variación natural o aleatoria.

Por desgracia, estamos acomodando nuestros sesgos cuando procesamos los datos.

modelo de toma de decisiones inteligencia artificial

Trayendo la Inteligencia Artificial al flujo de trabajo

Necesitamos evolucionar más, e incorporar la inteligencia artificial al flujo de trabajo como un procesador primario de datos. Para decisiones de rutina que solo se basan en datos estructurados, es mejor que deleguemos decisiones a las máquinas. Los sistemas de IA son menos propensos al sesgo cognitivo del ser humano. (Existe un riesgo muy real de usar datos sesgados que pueden hacer que la IA encuentre relaciones engañosas que son injustas. Asegúrese de entender cómo se generan los datos además de cómo se usan). La IA puede ser entrenada para encontrar segmentos en la población que mejor explica la variación en los niveles detallados, incluso si no son intuitivos para nuestras percepciones humanas. Los sistemas de inteligencia artificial no tiene ningún problema en tratar con miles o incluso millones de agrupaciones. Y la IA está más que cómoda trabajando con relaciones no lineales, ya sean exponenciales, leyes de potencia, series geométricas, distribuciones binomiales u otras.

Este flujo de trabajo aprovecha mejor la información contenida en los datos y es más consistente y objetivo en sus decisiones. Puede determinar mejor qué creatividad publicitaria es más efectiva, los niveles óptimos de inventario para establecer o qué inversiones financieras realizar.

Mientras que los seres humanos se eliminan de este flujo de trabajo, es importante tener en cuenta que la mera automatización no es el objetivo de un flujo de trabajo impulsado por máquinas de IA. Claro, puede reducir los costes, pero eso es solo un beneficio incremental. El valor de la IA es tomar mejores decisiones que lo que pueden hacer los humanos solos. Esto crea cambios en la mejora de la eficiencia y permite nuevas capacidades.

Modelo de toma de decisiones

Modelo híbrido entre hombre-maquina en los flujos de trabajo.

Modelos híbridos hombre-maquina

Eliminar a los humanos de los flujos de trabajo que solo involucran el procesamiento de datos de estructura no significa que los humanos estén obsoletos. Hay muchas decisiones de negocios que dependen de algo más que datos estructurados. Las declaraciones de visión, las estrategias de la empresa, los valores corporativos, la dinámica del mercado, son ejemplos de información que solo está disponible en nuestra mente y se transmite a través de la cultura y otras formas de comunicación no digital. Esta información es inaccesible para AI y extremadamente relevante para las decisiones comerciales.

Por ejemplo, las máquinas de IA puede determinar objetivamente los niveles de inventario correctos para maximizar las ganancias. Sin embargo, en un entorno competitivo, una empresa puede optar por niveles de inventario más bajos para brindar una mejor experiencia al cliente, incluso a expensas de las ganancias. En otros casos, los sistemas de IA puede determinar que invertir más dólares en marketing tendrá el mayor retorno de la inversión entre las opciones disponibles para la empresa. Sin embargo, una empresa puede optar por atenuar el crecimiento para mantener los estándares de calidad. La información adicional disponible para los humanos en la forma o estrategia, valores y condiciones del mercado puede merecer una desviación de la racionalidad objetiva de la IA.

En tales casos, la inteligencia artificial puede usarse para generar posibilidades a partir de las cuales los humanos pueden elegir la mejor alternativa dada la información adicional a la que tienen acceso. El orden de ejecución de dichos flujos de trabajo es específico de cada caso. A veces, la IA es la primera en reducir la carga de trabajo en los humanos. En otros casos, el juicio humano se puede utilizar como entradas para el procesamiento de AI. Aún en otros casos, puede haber iteración entre la IA y el procesamiento humano.

La clave es que los humanos no están interactuando directamente con los datos, sino con las posibilidades producidas por el procesamiento de los datos por parte de AI. Los valores, la estrategia y la cultura son nuestra forma de reconciliar nuestras decisiones con la racionalidad objetiva. Esto se hace mejor de manera explícita y plenamente informado. Al aprovechar tanto a la IA como a los humanos, podemos tomar mejores decisiones basadatas en razonamientos que usar cualquiera de las dos por separado.

Modelos de toma de decisiones

La siguiente fase en nuestra evolución

Pasar de los datos a la inteligencia artificial es la siguiente fase en nuestra evolución. Abrazar la inteligencia artificial en nuestros flujos de trabajo permite un mejor procesamiento de datos estructurados y permite que los humanos contribuyan de manera complementaria.

Es improbable que esta evolución ocurra dentro de la organización individual, así como la evolución por selección natural no ocurre dentro de los individuos. Más bien, es un proceso de selección que opera sobre una población. Las organizaciones más eficientes sobrevivirán a mayor velocidad. Dado que es difícil para las empresas maduras adaptarse a los cambios en el entorno, sospecho que veremos el surgimiento de nuevas empresas que incorporan tanto la IA como las contribuciones humanas desde el principio y las incorporarán de forma nativa en sus flujos de trabajo.

About the Author: Ricardo Labarga

I am responsible for representing Dell to our customers and Spain to Dell. In my role as Managing Director, my goal is to provide the Spanish market with the best end-to-end IT solutions.