Por: Alejandro Raffaele, director Senior de Ventas Enterprise para Latinoamérica en Red Hat
En nuestra experiencia con empresas de diferentes sectores advertimos que muchas quieren implementar inteligencia artificial sin haber resuelto problemas bastante más básicos de automatización, calidad de datos e integración. No solo eso, sino también antes de predicar con el ejemplo.
En las conversaciones que mantenemos habitualmente con CIOs y CEOs de Latinoamérica vemos que esto no es parejo, ya que la madurez para dar este paso varía mucho de una organización a otra, y tiene menos que ver con el tamaño o el sector que con la experiencia previa del liderazgo frente al cambio. Las empresas que ya atravesaron procesos de transformación suelen abordar esta etapa con más naturalidad que las que recién ahora empiezan a moverse, y eso genera una brecha cada vez más marcada dentro de la propia región.
Hay un desafío muy grande en el contexto de que hoy el cambio está muy traccionado por la tecnología. Y aquí aparece una necesidad fundamental para los líderes, que es entender la tecnología para crear una visión clara del cambio. Si el líder no conoce el impacto tecnológico que sobreviene a las operaciones, es muy difícil que pueda avanzar de manera segura y efectiva. Es decir, el líder tiene que entender el cambio tecnológico y promoverlo, pues cuando el líder logra conectar visión, tecnología y su gente, ahí se produce la mística de innovación.
De la cultura a la tecnología, hay que recordar que automatización e inteligencia artificial no son sinónimos, aunque en las organizaciones muchas veces se usan como si lo fueran. La primera tampoco debería presentarse como una tecnología “vieja” desplazada por la IA, sino que se trata de la capa previa que prepara el terreno. Reduce tareas manuales y, sobre todo, minimiza el error humano, lo que impacta directamente en la calidad de los datos, y la IA es tan efectiva como los
datos a los que accede. Por eso, antes de incorporar IA, las empresas deberían hacerse una pregunta menos glamorosa pero mucho más importante: ¿qué tan automatizados están nuestros procesos?
Según McKinsey, solo el 7% de las empresas logró escalar completamente la IA en toda la organización, en buena medida porque la preparación de los datos sigue siendo un cuello de botella para ampliar su uso.
Y ahí aparece el problema típico: la Inteligencia Artificial sólo es efectiva cuando los datos a los que accede son correctos. El desafío real llega cuando se conecta con la operación, con datos incompletos, silos y procesos manuales que no estaban presentes en ese entorno controlado. Tener datos limpios tampoco alcanza si están aislados: los silos son otra de las cuestiones que hay que resolver antes de escalar.
Para que los datos sean correctos hay que minimizar el error humano. Y, yendo un poquito más para atrás, la automatización es lo que ensambla este tipo de evoluciones hacia estructuras de datos limpias.
Lo venimos viendo en industrias muy distintas como finanzas, manufactura, retail y telecomunicaciones, así como también en organizaciones que conviven con infraestructura legacy que no pueden simplemente apagar y reemplazar. Ahí la automatización es lo que permite modernizar por etapas sin frenar la operación.
Los procesos automatizados generan datos más consistentes, que después permiten mejores resultados con IA. Si una organización tiene procesos desordenados o información contaminada por errores, agregar IA no soluciona nada: puede acelerar o escalar el problema.
Dicho esto, antes de escalar un proyecto de IA conviene hacerse tres preguntas simples: ¿cuánta intervención manual todavía tienen nuestros procesos críticos? ¿Los datos que alimentan ese proceso están integrados o viven en silos? ¿Confiamos en su calidad lo suficiente como para automatizar decisiones sobre ellos? Automatización, procesos y datos no son una etapa previa que pueda saltearse: son la infraestructura sobre la cual se construye una estrategia de IA sostenible.
