La inteligencia artificial predictiva mejora procesos y optimiza costes mediante aplicaciones que evolucionan y mejoran resultados en base a la experiencia.
2023 y la salida de ChatGPT han supuesto un año de democratización de la IA en todos los sectores de la sociedad. No iba a ser menos en el entorno empresarial, donde la perspectiva de llenar la empresa de becarios digitales sigue alimentando conversaciones y generando tantas expectativas como preocupaciones de toda índole.
Pero la IA no es sólo ese chatbot extraordinario a la vez que impredecible. Hay una vida antes, después y alrededor de ChatGPT. Muchas aplicaciones de IA ya generan ventajas competitivas a las empresas, mejorando ventas y experiencias, optimizando costes, con riesgos mínimos y ROI medible.
En los fundamentos de la IA, todo parte de un ejercicio de predicción. Un “modelo” de IA es un algoritmo (o conjunto de algoritmos) que alimentamos en datos –números, textos, imágenes, vídeos, para que aprenda por sí mismo a reconocer patrones y relaciones entre estos datos–. Esta fase se llama entrenamiento.
A partir de ahí, el modelo puede dar su mejor probabilidad para predecir una venta o recomendar un producto, por ejemplo, o simplemente predecir cual es la próxima palabra que espera el usuario de un chatbot como ChatGPT. Es la fase de inferencia, donde el modelo aplica lo que ha aprendido con consultas y datos nuevos (es decir, no vistos durante su entrenamiento).
A diferencia de programas tradicionales, como un ERP, un CRM o un antivirus, que ejecutan incasablemente instrucciones programadas por humanos en un lenguaje informático, un modelo de IA aprende y sigue aprendiendo sin instrucciones, con cada dato nuevo que se le presenta. Esta peculiaridad da lugar a un sinfín de aplicaciones en el mundo empresarial. Desde sistemas de inteligencia para la toma de decisiones hasta la automatización de tareas, pasando por herramientas de personalización, diseño y de productividad personal, la IA es la “nueva electricidad”, y sus casos de uso alcanzan todas las áreas de cualquier empresa.
En el entorno empresarial
En áreas de Marketing y Ventas, con la IA podemos predecir ventas y abandonos, e hiper-personalizar contenidos y productos para un cliente. También creamos chatbots y asistentes virtuales de atención al cliente.
En Fabricación, podemos optimizar máquinas y procesos para mejorar la calidad, reducir costes energéticos, o planificar la cadena de suministro y ordenes de fabricación basados en predicción de demanda.
En Recursos Humanos, la IA facilita la clasificación de currículums, las entrevistas y la gestión del talento con programas de formación y capacitación personalizados.
En Finanzas, la IA aprende a generar informes periódicos, prever flujos de caja, detectar fraude y conciliar recibos.
En el área de Sistemas, la IA genera y corrige miles de líneas de código y realiza las pruebas de forma autónoma.
Y en cualquier área, se emplean modelos de IA para automatizar tareas mundanas como la clasificación y la consulta de documentos, el soporte interno o la detección de anomalías en procesos rutinarios.
La IA predictiva
La AI predictiva, también llamada IA tradicional o IA analítica, o machine learning, consiste en diseñar o reutilizar modelos especializados en una tarea específica, y entrenarla con los datos de la compañía para reconocer patrones y relaciones entre estos datos.
Ejemplos clásicos de aplicación:
- Predicción de demanda y planificación de inventarios.
- Detección temprana de fraude, de fallos de producción, de abandono de cliente.
- Sugerencia de productos (vuestro recomendador de películas en Netflix).
- Clasificación automática de clientes (scoring), de documentos (albaranes, contratos).
- Análisis de sentimientos de mercado, clientes, empleados.
- Optimización de procesos, rutas y máquinas.
La medición del retorno de la inversión es la primera ventaja: de un año a otro, un comercio medirá las ventas adicionales que pudo hacer al haber anticipado la reposición de sus inventarios, o al haber hecho una recomendación de producto adicional al cliente. Una planta industrial comprobará fácilmente los impactos de una reducción del 10% de sus costes energéticos, o de una reducción del 20% de los tiempos de parada anuales.
Este tipo de aplicaciones de IA predictiva ya está teniendo impacto positivo en las ventas y en los márgenes de las empresas, con un riesgo mínimo y trabajando “en casa”. Son los proyectos por los que recomendamos empezar, para “subirse al tren” de la IA, adquirir conocimiento, y cosechar primeros resultados medibles.
La detección del fraude
Un capítulo aparte en cuanto a este tipo de algoritmos predictivos merece la detección del fraude antes mencionado. Esta carrera es una lucha continua en la que ningún bando resulta nunca claro vencedor. Al igual que en la estrategia militar, donde defensa y ataque se enfrentan constantemente, o en la batalla entre antibióticos y bacterias, el éxito recae sobre los más preparados de cada lado.
Las compañías de soluciones de protección del fraude son capaces de desarrollar modelos predictivos muy eficaces para su detección.
De momento, y a tenor de la rapidez con la que emergen tanto nuevas fórmulas de engaño como herramientas para detectarlo, la pelea parece quedar en tablas. Si acudimos a los datos, en 2019, las reclamaciones contra el fraude representaban solo el 6,2% del total y tres años después ascendían hasta el 30% del total de las recibidas. Aun así, a pesar de este notable crecimiento, las compañías de soluciones de protección del fraude para las empresas son capaces de desarrollar modelos predictivos muy eficaces para su detección. No sólo en cuanto a cantidad, sino también en cuanto a calidad.
Entra aquí también en juego la enigmática dark web y es en este lado oscuro de internet donde tienen cabida conceptos como el fraud as service, es decir, soluciones que incluyen una amplia gama de servicios técnicos para el fraude, lo que facilita su comisión en individuos no demasiado experimentados ni familiarizados con herramientas de inteligencia artificial.
Un algoritmo protector
En este contexto, la empresa parece obligada a construir un sistema defensivo que la proteja financieramente contra los posibles tipos de ataques, pero que no afecte al proceso de captación de nuevos clientes y que empieza por detectar la suplantación de identidad, la falsedad de los datos y el fraude de intención.
1. Suplantación de identidad
Aquel en el que un usuario aporta datos verdaderos, pero de otra persona. Aquí la solución es usar un sistema de identificación digital, robusta y en tiempo real del potencial cliente, asegurando que es quien dice ser.
2. Falsedad de los datos
Datos como ingresos, antigüedad laboral, propiedad de la vivienda, y otros menos intuitivos como estado civil o régimen de bienes pueden ser modificados para hacer creer a los modelos que existe una capacidad de pago que no es real.
3.Fraude de intención
Es el más difícil de detectar. En él, el cliente es quien dice ser y los datos que da son verdaderos y pasa el proceso de aceptación al poseer la capacidad de pago. Pero, por el motivo que sea, no tiene intención de hacerlo.
Los métodos supervisados de machine learning funcionan aquí detectando comportamientos irregulares en tiempo real y con excelentes resultados. Opciones demasiado caras o demasiado baratas, detalles opcionales fuera del perfil del cliente, condiciones extrañas… Estos modelos se hacen las mismas preguntas que un experto humano se haría.
Así, gracias a los avances tecnológicos es relativamente sencillo construir un buen sistema defensivo que haga muy difícil y arriesgado cometer fraude en la mayoría de los casos. En cuanto a su actualización, los modelos de inteligencia artificial tienden a perder eficacia con el tiempo, y requieren de un entrenamiento ocasional, pero existen técnicas para paliar este problema que suponen un coste mucho menor que ponerlos en funcionamiento por primera vez.
La inteligencia artificial puede ser ángel o demonio para las empresas. De cada una de ellas depende, al fin, optar por una u otra posibilidad.