Para tener éxito, las empresas impulsadas por los datos deben equilibrar los roles de las máquinas y los humanos

En el informe Future of Jobs (El futuro del trabajo) más reciente del Foro Económico Mundial se analiza de qué manera los avances tecnológicos, como la inteligencia artificial, el aprendizaje automático y los big data, podrían afectar los empleos en todo el mundo en los próximos cinco años. La potencial redistribución del trabajo entre los hombres y las máquinas podría desplazar 75 millones de puestos de trabajo. Sin embargo, de acuerdo con el informe, también es probable que se creen hasta 133 millones de puestos nuevos.

Seguramente, este importante cambio en el mundo laboral no tranquilizará a quienes consideran que la tecnología es una amenaza para su empleo. La realidad, no obstante, es que las tecnologías más inteligentes brindan una excelente oportunidad para concentrarse en las maneras de crear más valor para la organización. La creatividad y el pensamiento estratégico continúan siendo facultades exclusivamente humanas. Cuando se combinan con la creciente capacidad de procesamiento de las máquinas, hay motivos suficientes para ser optimista acerca del futuro.

Aún estamos lejos de una realidad en la que podamos confiar en las máquinas para que tomen decisiones de negocios con el criterio y la capacidad de análisis del contexto que puede tener una persona. Hoy en día, confiamos en las máquinas para automatizar tareas y análisis en áreas altamente parametrizadas y con un mínimo nivel de riesgo. En algunas situaciones donde se requiere la intervención o supervisión humana, dependemos del soporte de las máquinas para profundizar un poco más y tomar decisiones más fundamentadas.

Las personas pueden beneficiarse en gran manera de la inteligencia artificial y el aprendizaje automático. Por ejemplo:

• Automatizar las tareas operativas: El aprendizaje automático y la inteligencia artificial han logrado grandes progresos en las aplicaciones que incluyen algoritmos impulsados por tareas altamente especializadas y repetitivas. Un ejemplo son los sitios web que brindan sugerencias del tipo “quizás le interese...” para productos o contenido relacionados, o incluso programas de detección de fraude. Si bien las variables para la identificación de gastos no autorizados son más complejas que para la recomendación de un libro, lo que tienen en común estos algoritmos es que están ajustados para una tarea. Poseen una precisión increíble gracias a su inigualable eficacia de cálculo.
• Ofrecer puntos de partida más inteligentes: Mediante un seguimiento amplio del comportamiento de los usuarios, los sistemas pueden proporcionar valores predeterminados y acciones recomendadas más inteligentes. Además, pueden ajustarlos y personalizados con el tiempo en función de la respuesta de las personas. Hoy en día, ponemos en práctica esta ventaja en las aplicaciones de análisis. Es posible obtener información más rápido mediante la aplicación de técnicas exitosas de un conjunto de datos en otras fuentes de datos de características similares.
• Facilitar los análisis sofisticados: Las plataformas de análisis aprovechan el aprendizaje automático para poner funcionalidades de análisis avanzadas a disposición de los usuarios que carecen de conocimientos sobre la ciencia de datos. Por ejemplo, las máquinas pueden seleccionar entre los mejores algoritmos de pronóstico y agrupación en clústeres según cuál ofrece el mayor nivel de certeza. Es posible explicar y exponer los modelos subyacentes. De esta forma, se mantiene la transparencia y se genera la posibilidad de ajustar los modelos si fuera necesario.
• Brindar un panorama más completo: Las máquinas no duermen. Además, pueden realizar cálculos y tareas repetitivas con gran eficacia. Gracias a la capacidad para realizar un análisis más profundo, las máquinas pueden analizar todo el contenido oculto de manera efectiva. Este tipo de visión completa nos ayuda a evitar la parcialidad en nuestros análisis.

Las máquinas actuales no son tan eficientes como las personas para el planeamiento a largo plazo, el pensamiento abstracto o creativo, o la toma de decisiones que requieran experiencia específica o conocimiento sobre el contexto. Por ejemplo, un proceso impulsado por una máquina puede alertar sobre la deserción de un cliente. Sin embargo, es posible que la pérdida de ese cliente sea positiva, debido a que no compraba la cantidad suficiente de productos rentables. Los hombres son más efectivos que las máquinas en la tarea intelectual de entender que hay diferentes maneras de analizar la deserción de clientes.

También es posible que un vendedor decida ignorar a determinados clientes potenciales como resultado de las lecciones que ha aprendido en sus experiencias de ventas pasadas. Las máquinas no pueden desarrollar este tipo de instinto fácilmente. Es probable que una máquina alerte sobre una oportunidad perdida, mientras que un representante de ventas posee la sabiduría de no desperdiciar tiempo.

La comprensión del concepto de causa y efecto también es algo propio de las personas. Si bien las máquinas se están volviendo más eficientes a la hora de encontrar relaciones ocultas en conjuntos de datos limitados, todavía dependemos de las personas para diferenciar entre casualidad o causalidad. El análisis predictivo ofrece excelentes oportunidades para explorar las situaciones hipotéticas. Sin embargo, el criterio humano es necesario para validar las acciones prescriptivas de las máquinas.

El proceso de combinar y equilibrar las capacidades analíticas de los humanos y las máquinas abre la puerta a un gran número de roles nuevos e importantes para las personas. Por eso, no resulta sorprendente que millones de empleos emergentes, incluidos los anticipados en el informe del Foro Económico Mundial, giren en torno a los datos. El alcance se ampliará a medida que evolucionen los casos de uso con datos.

Necesitaremos el ingenio de las personas a fin de formular las preguntas correctas y ajustar los resultados del análisis inteligente. Cada vez necesitaremos a más personas para supervisar y mantener la ética en la inteligencia artificial y el aprendizaje automático. Otras personas deberán contar con un alto nivel de conocimiento de los datos para poder poner el análisis a disposición de usuarios con diferentes niveles de habilidad y lograr que estos obtengan el valor que buscan.

Sin importar cuán inteligente se vuelva la tecnología, no podemos perder de vista el objetivo final del análisis: posibilitar la toma de decisiones informadas. Una vez que sepamos qué acciones debemos realizar, podremos determinar en qué confiar para tomar decisiones. Podremos saber también qué procesos podemos automatizar, qué debemos supervisar y dónde es necesario emplear habilidades exclusivamente humanas. Las organizaciones más exitosas no serán las que automaticen la mayor cantidad de tareas. Serán las que entiendan cómo las máquinas y los datos pueden brindar más capacidades a las personas que toman las decisiones.