IA en la cadena de suministro: Superar seis barreras clave para ofrecer resultados reales

La inteligencia artificial tiene el potencial de cambiar radicalmente casi todo para mejor. Su impacto probablemente igualará al de la electricidad y otras tecnologías de propósito general que han enriquecido nuestras vidas. Los primeros signos de su impacto ya están surgiendo en casos de prueba con vehículos autónomos, incluidos barcos y aviones, y los beneficios van mucho más allá de la reducción de mano de obra.

Por ejemplo, con hasta el 90 por ciento de los accidentes marítimos atribuidos a error humano, la IA podría reducir significativamente estos casos. Habilitada por la comunicación vehículo a vehículo (V2V), los vehículos pueden compartir datos importantes como posición, velocidad y rumbo. La información puede usarse para alertar a conductores y sistemas autónomos sobre posibles amenazas y colisiones, incluso aquellas fuera de la vista. También puede alertar a conductores sobre vehículos menos visibles en la carretera, como motocicletas y bicicletas. V2V, combinado con IA, puede reducir colisiones y congestión al alertar proactivamente a conductores, pilotos y capitanes sobre problemas anticipados y colisiones con otros vehículos, así como otros peligros de tráfico.

Las ventajas de la IA en términos de productividad, innovación y crecimiento económico global son igualmente significativas. McKinsey & Company estima que la adopción de IA «tiene el potencial de generar una actividad económica global adicional de alrededor de 13 billones de dólares para 2030, o aproximadamente un 16 por ciento más de PIB acumulado en comparación con hoy. Esto equivale a un 1,2 por ciento adicional de crecimiento del PIB por año». La estimación de PwC es aún mayor, superando los 15 billones.

Dado este potencial, es fácil dejarse llevar por la IA e ignorar los grandes problemas que enfrentan las empresas al adoptarla y usarla eficazmente. Aquí hay algunos de los desafíos y posibles soluciones.

Falta de datos grandes y limpios

Todos los procesos computacionales necesitan buenos datos, y la inteligencia artificial no es una excepción. El aprendizaje automático (ML) en particular requiere enormes volúmenes de datos precisos para entrenar algoritmos y desarrollar modelos predictivos. Sin embargo, la mayoría de las empresas no tienen ni la calidad ni la cantidad de datos para lograr esto.

Las empresas necesitan mejorar la calidad de sus datos mediante una gestión eficaz de datos maestros y incorporando datos en tiempo real en procesos y sistemas tanto como sea posible. Las redes de negocio digitales multipartes en tiempo real mantienen una «única versión de la verdad» mientras sincronizan continuamente sistemas externos, asegurando que las empresas operen con la información más completa y actualizada posible.

Las organizaciones también deberían considerar usar soluciones con algoritmos basados en ML preentrenados que aprovechen grandes volúmenes de datos de escenarios y empresas similares. Debido a sus enormes volúmenes de transacciones, las redes de negocio digitales pueden afinar rápidamente algoritmos bien entrenados y agentes inteligentes que los nuevos miembros de la red pueden aprovechar.

IA compartimentada es IA no inteligente

Las cadenas de suministro son inherentemente transversales y multi-empresa, y los datos necesarios para operarlas están dispersos entre socios internos y externos. Las empresas que intentan implementar IA de forma fragmentada, ignorando el panorama general, obtendrán malos resultados. Sin acceso a todos los datos relevantes, los algoritmos seguirán teniendo puntos ciegos y perderán oportunidades de optimización y ejecución.

Las empresas deberían buscar incluir la mayor cantidad posible de sistemas, operaciones y socios comerciales relevantes para fortalecer la precisión, el contexto y la completitud de los datos. El objetivo debería ser conectar toda la cadena de suministro a una red en tiempo real, desde la fuente hasta el cliente final. Solo una solución a nivel de cadena de suministro puede optimizar completamente operaciones críticas como niveles de inventario y gestión logística, monitoreando la imagen completa de oferta y demanda.

Caja negra versus IA explicable

Ciertas técnicas de ML, como tarjetas de puntuación y árboles de decisión, son fáciles de entender. Pero las redes neuronales son más complejas y misteriosas. ¿Debemos actuar sobre estos datos o permitir que el sistema actúe autónomamente si no sabemos cómo llegó a tales decisiones?

El experimento de Amazon usando IA para reclutar talento salió mal cuando los investigadores notaron que el sistema tenía un fuerte sesgo hacia la contratación de hombres. Esto se debió a que los algoritmos habían sido entrenados con datos predominantemente masculinos. La IA, en consecuencia, degradó a candidatas de dos universidades femeninas y tomó otras decisiones inapropiadas basadas puramente en género.

La IA necesita ser transparente en sus entradas, procesos y decisiones. Las empresas necesitan saber, al menos en términos esenciales, cómo funcionan los algoritmos, cómo llegan a decisiones y cómo crean y distribuyen valor. Idealmente, el sistema debería hacer explícitas las razones detrás de las decisiones, permitiendo a los usuarios ver, aprobar y anular decisiones de agentes autónomos. Las empresas también deberían poder adaptar los algoritmos para satisfacer sus necesidades particulares.

Optimización miope

Cada proceso y cambio conlleva un costo. Cuando no se tiene en cuenta en la toma de decisiones, el resultado a veces puede ser peor que si no se hubiera hecho nada. En cadenas de suministro, que consisten en muchos socios y sistemas, es fácil perder de vista las consecuencias a largo plazo de una acción. Muchas soluciones caen en esta trampa al replanificar toda la cadena de suministro, creando «nerviosismo» en el sistema e incurriendo en cambios y costos mayores e innecesarios cuando un cambio menor o más localizado sería suficiente.

Para evitar este problema, las optimizaciones deberían ser continuas en lugar de ocasionales, y deberían limitarse a impactar el menor número posible de entidades para minimizar la interrupción en la red. Como en el caso de un avión en piloto automático, ajustes menores continuos en la dirección pueden compensar cambios en las condiciones, manteniendo el avión precisamente en curso. La alternativa es hacer un solo re-encaminamiento mayor cuando el avión está muy fuera de ruta cerca del final de su viaje. Estos ajustes continuos se suman a grandes mejoras sin causar ondas de choque en toda su cadena de suministro.

Proveedores de IA demasiado entusiastas

Muchos proveedores de software se han subido al carro de la IA. En cierto sentido, esto es comprensible, dada la vaguedad de su definición y su dominio mal definido y extenso. «Aprendizaje automático» es un término mejor definido, y a menudo es lo que la gente quiere decir cuando usa el término «inteligencia artificial».

No obstante, los proveedores deben explicar claramente qué significan cuando usan términos como «inteligencia artificial», «aprendizaje automático», «redes neuronales», «aprendizaje profundo», etc. Lo más importante, deben mostrar cómo su IA entrega más valor empresarial que los algoritmos heurísticos tradicionales. ¿Cómo funciona? ¿Abarca sistemas y empresas para abrazar toda la red y todas sus condiciones y restricciones? ¿O se limita a unas pocas funciones o dominios? ¿Quién lo usa y qué resultados han logrado?

La brecha de habilidades en IA

Muchas empresas se ven sorprendidas por la rápida evolución y creciente viabilidad de la IA. Esto se debe a que la IA requiere habilidades modernas que pueden involucrar nuevos lenguajes, marcos y formas de pensar. Pocas empresas están equipadas para manejar la transición y explotar plenamente este campo en rápido desarrollo. Una encuesta de 2018 de O'Reilly sugiere que la brecha de habilidades en IA es la mayor barrera para la adopción de IA.

A largo plazo, el mercado se encargará del déficit de habilidades, pero hasta entonces, las empresas deberían comenzar a identificar sus necesidades y posibles nuevas contrataciones. También deberían considerar capacitar a empleados existentes, y ofrecer incentivos y nuevas trayectorias profesionales para apoyar el cambio hacia tecnologías ML e IA.

Otra opción es asociarse con una empresa tecnológica que tenga la red, los recursos y la experiencia para asesorar, implementar y mantener una solución de IA o plataforma habilitada por IA. Esta última permite a las empresas comenzar y comenzar a obtener ganancias mucho más rápido.

Nigel Duckworth es estratega senior en One Network Enterprises, proveedor de una red empresarial habilitada por IA.