Para que la inversión genere el retorno esperado, es fundamental tener claros los objetivos del proyecto y establecer métricas que permitan medir su impacto.
Cada día más empresas incorporan soluciones de inteligencia artificial en sus procesos. Las cifras lo demuestran: según el informe Worldwide Artificial Intelligence Systems Spending Guide, de la consultora IDC, el gasto en 2023 alcanzará los US$97.9 mil millones. Más de dos veces y media los 37.5 millones que se tenían previstos para el 2019. Esto representa una tasa de crecimiento anual del 28.4%.
En esta línea, los resultados de una encuesta realizada por NewVantage Partners en Estados Unidos, el 92% de las grandes compañías participantes reportaron que están logrando retorno sobre sus inversiones en datos e inteligencia artificial. Esto representa un 48% de aumento respecto al mismo resultado de la encuesta realizada en 2017.
Si bien muchas empresas han adoptado soluciones basadas en inteligencia artificial, data science y machine learning, es importante que las organizaciones lo hagan con un plan estratégico sólido y se enfoquen en cómo medir los resultados y el éxito de estas iniciativas.
“Al medir el éxito, hay que diferenciar entre medir el desempeño del negocio y el desempeño del modelo de inteligencia artificial”, explica Andrés Abeliuk, Coordinador Académico del Área Inteligencia Artificial del Programa de Educación Continua del Departamento de Ciencias de la Computación de la Universidad de Chile. Quien agrega: “para medir la efectividad de una solución de inteligencia artificial, se mide el rendimiento del modelo con métricas alineadas a los objetivos del producto”.
Cuando se construye un modelo se utilizan métricas offline para medir el desempeño sobre datos históricos disponibles, señala Abeliuk, “que miden la precisión de predicciones frente a valores conocidos”. Y una vez que el modelo ya está implementado “las métricas online miden como el modelo afecta a los usuarios que lo utilizan”.
Por otra parte, para evaluar si la inversión genera retornos hay que definir una métrica para juzgar el éxito de un producto o servicio. “Esta métrica debe ser distinta a las métricas del modelo, y solo cuantificar el éxito del producto”, dice Abeliuk.
Según explica Jerald Murphy, Vicepresidente Senior de Nemertes Research, en una columna del medio Tech Target, las empresas pueden establecer métricas clave adecuadas para evaluar la eficiencia de los proyectos. Para esto se pueden establecer KPIs cuantitativos y cualitativos. “Los KPI típicos relacionados con la inteligencia artificial incluyen el tiempo medio de reparación (MTTR), o el tiempo que se tarda en solucionar un problema, y la tasa de resolución en el primer contacto (FCRR), que indica qué porcentaje de problemas son resueltos por el soporte de TI de nivel 1 (soporte básico) sin necesidad de escalar. Además, el número de tickets que recibe un equipo de TI al mes es una métrica tangible”. Finalmente, los KPIs ayudarán a demostrar un retorno de la inversión (ROI) concreto, que puede ser tiempo, dinero o trabajo, indica Murphy.
En cuanto a la elección de métricas, Abeliuk agrega que “mientras que las métricas cuantitativas son buenas para medir el éxito, las métricas cualitativas, como por ejemplo comentarios de usuarios, permiten entender la primeras y además, incorporarlas para mejorar el producto”.
Claves para una correcta implementación de soluciones de IA
Un artículo de Harvard Business Review, indica que las empresas que alcanzan mayor éxito con las soluciones basadas en inteligencia artificial son aquellas que tienen un proceso definido para la implementación y evaluación de estas tecnologías, el cual siguen regularmente.
El estudio Estado de la IA en la Empresa, de Deloitte, realizado a mediados de 2021, identificó a dos tipos de compañías que están obteniendo valor de sus inversiones en inteligencia artificial. El 28% fueron clasificadas como “Transformadoras”, y son aquellas empresas que han implementado diversas soluciones de inteligencia artificial y están obteniendo grandes ingresos. Algo en común entre ellas es que han definido una estrategia de IA y han construido un ecosistema alrededor de esta.