El factor humano: por qué los proyectos de IA no pueden tener éxito sin las personas y los procesos

Maquinas que pueden predecir cuándo se necesita un mantenimiento. Sistemas que responden preguntas técnicas complejas sin la necesidad de un especialista que pase horas rebuscando en las bases de datos. Software que escribe código y sugiere formas de optimizarlo de forma automática… La IA ofrece muchas oportunidades tremendas para la manufactura.

La tecnología existe, pero entre la fase de pruebas y su completa implementación hay grandes retos. Las compañías que implementan con éxico la IA comparten algo en común: prestan tanta atención a los aspectos humanos y organizacionales como al apartado técnico.

De los datos a decisiones inteligentes

Las compañías de manufactura modernas recolectan enormes cantidades de datos, pero el verdadero reto está en convertir esos datos en información útil y accionable. Eso requiere mucho más que solo algoritmos inteligentes.

Tomemos de ejemplo el mantenimiento predictivo. Detectando patrones en los datos, los algoritmos pueden predecir cuándo un componente podría fallar. Esto reduce los tiempos de inactividad no planeados y mantiene trabajando sin interrupciones a las líneas de producción y a los procesos logísticos.

Otra aplicación se encuentra en la gestión del conocimiento. Cuando se trata de incidentes relacionados con máquinas complejas o hardware y software nuevos que requieren calibración, a menudo es necesario recuperar información muy específica de grandes bases de datos. Gran parte de ese conocimiento reside actualmente en la mente de unos pocos especialistas con experiencia. Una pregunta técnica puede llevar a alguien veinte minutos de búsqueda entre documentos y listas, un proceso manual e iterativo. Un sistema entrenado con datos específicos de la empresa puede responder a las mismas preguntas en lenguaje natural en cuestión de segundos.

La IA también marca la diferencia en el desarrollo de software. Las herramientas que ayudan a escribir scripts, detectar errores u optimizar algoritmos pueden acelerar significativamente el trabajo de los desarrolladores.

Retos para la implementación de la IA

Muchas compañías de manufactura han adquirido experiencia con pilotos de IA. Por lo regular estos experimentos resultan exitosos, pero avanzar hacia la implementación estructural se vuelve difícil, más usualmente por motivos organizacionales que por razones técnicas.

Recursos limitados

Los proyectos de Inteligencia artificial requieren de talento especializado y tiempo, los cuales son escasos en muchas organizaciones y la falta de talento en IT es un reto que reconocen muchas compañías.

No son una prioridad

La IA sigue siento un concepto relativamente nuevo. Puede funcionar, pero también fallar, y no puedes saberlo por adelantado. Dado que las aplicaciones de IA se enfocan en aumentar la eficiencia de equipos específicos más que en el crecimiento de activos, no siempre son una prioridad y convencer a los directivos de la necesidad de estas herramientas puede ser un reto en si mismo.

Resistencia cultural

Los empleados acostumbrados a usar métodos ya comprobados pueden ver la IA más como una amenaza que como una herramienta. En particular los ingenieros experimentados pueden preguntar por que deberían cambiar su enfoque si este siempre ha funcionado. Construir conciencia y confianza en las nuevas tecnologías lleva tiempo.

El problema de la caja negra

La confianza juega un papel crucial en la manufactura. Los sistemas de IA a menudo trabajan como una caja negra: ingresas datos y recibes de vuelta un resultado, pero no siempre es claro como se generó ese resultado. La gente es cautelosa cuando se trata de dejar decisiones importantes sobre la producción o la maquinaria en manos de la IA. Si algo resulta mal y la máquina se detiene, el impacto se extiende por toda la cadena de producción hasta llegar a los consumidores finales. Con la reputación de la compañía sobre la cuerda floja, los encargados de la toma de decisiones tienden a ser precavidos.

Además, surgen nuevos retos organizacionales. Los proyectos de IA requieren de la colaboración entre los equipos de IT, operaciones, análisis de datos y dirección. Esto provoca que se generen nuevos procesos y acuerdos sobre las responsabilidades y para las organizaciones más tradicionales con jerarquías estrictas y departamentos aislados, eso representa un cambio significativo.

El éxito comienza con las personas

La implementación exitosa de la IA comienza con las personas. Se trata de generar confianza y crear conciencia, no a través de una presentación única, sino con paciencia y persistencia. Estas acciones pueden ayudar a que la IA sea un éxito:

Nombrar embajadores de la IA: Personas entusiastas que adoptan tempranamente la tecnología, experimentan con ella y guían a sus colegas. Pueden demostrar lo que es posible y lo que no, evitando expectativas poco realistas.

Ofrecer capacitaciones prácticas: No todo el mundo necesita convertirse en científico de datos, pero tener un conocimiento básico de cómo funciona el machine learning ayuda. Los empleados que saben lo que la IA puede y no puede hacer están mejor preparados para utilizarla de forma eficaz.

Empezar poco a poco: En lugar de reformar todo el proceso de producción de una sola vez, se debe comenzar con aplicaciones sencillas que ofrezcan resultados rápidos. Por ejemplo, un chatbot interno para responder a preguntas técnicas frecuentes o un software que ayude a generar informes de pruebas.

También es importante ser transparente sobre sus limitaciones. La IA no resolverá todos los problemas y puede cometer errores. Al ser sinceros al respecto, se evitarán decepciones y se mantendrá la confianza dentro de tu equipo.

Calidad y gobernanza de datos

Además del factor humano, la adopción de la IA requiere de procesos adaptados. ¿Quién es responsable si un algoritmo toma una decisión errónea sobre una configuración de la producción? ¿Como te aseguras de que los datos con los que se entrena el sistema estén actualizados? ¿Y como se protege la seguridad y privacidad de estos?

Estas preguntas se vuelven cada vez más complejas con nuevas legislaciones como la Ley de IA, así como con regulaciones ya existentes como la Regulación de General Protección de Datos en Europa. Las compañías deben adaptar su gobernanza para cumplir esos requerimientos. Esto toma tiempo y recursos, pero es inevitable si se quiere implementar la IA de firma responsable.

A luego está el problema de la calidad de los datos. Los algoritmos son tan buenos como la información con la que son entrenados. Si tu conjunto de datos está incompleto o sesgado, el sistema sufrirá las consecuencias.

De la fase piloto a la producción

Pasar de la prueba del concepto a la implementación real requiere de algo más que solo la validación técnica. Esto demanda un plan de implementación sólido que aborde tanto los aspectos técnicos como los organizacionales.

Las empresas más exitosas a menudo usan un enfoque por fases. Comienzan por los procesos donde los errores tienen consecuencias menores y los riesgos son bajos, como la optimización de los tiempos de mantenimiento o la generación de reportes automáticos. Una vez que se ha generado confianza, pueden expandirse hacia aplicaciones más críticas.

La IA ofrece enormes oportunidades. Pero para aprovecharlas, se necesita algo más que algoritmos inteligentes y computadoras potentes. Se necesitan personas abiertas al cambio y procesos diseñados para apoyarlas. Las empresas que invierten en estos factores crean las mejores condiciones para una implementación exitosa de la IA.