Este post de Isaac Madan (un inversor de Venrock, aquí su email) sobre deep learning me dejó impactado hace ya unos años, pero ahora lo retomo y, de paso, aunque esté anticuado (eso es lo mío), lo traduzco. Existen técnicas de reconocimiento de imagen, de imitación de cualquier voz humana, de definición de modelos complejos con todo tipo de aplicaciones sorprendentes y muy poderosas.
A toda máquina con el aprendizaje profundo.
Actualización de septiembre (de 2016!), parte 1
Continuando con nuestra sobre sobre actualizaciones de aprendizaje profundo, recopilamos algunos de los asombrosos recursos que han emergido desde nuestro último artículo del 31 de agosto. En caso de que te las perdieses, aquí tienes nuestras actualizaciones pasadas: agosto parte 2, agosto parte 1, julio parte 2, julio parte 1, y el conjunto original de más de 20 recursos que resumimos en abril. Como siempre, esta lista no es exhaustiva, así que cuéntanos si hay algo que deberíamos añadir, o si te interesa comentar más a fondo en este área.
Estudio de cien años sobre Inteligencia Artificial (AI100), por el Comité Permanente del AI100 (PDF completo aquí). El estudio de cien años sobre inteligencia artificial, o AI100 es un esfuerzo de 100 años para estudiar y anticipar cómo los efectos de la inteligencia artificial se propagarán en cada aspecto de cómo trabaja, juega y vive la gente. Los investigadores explican oportunidades para aplicar la inteligencia artificial a través de numerosos campos, como el transporte y la sanidad, y las formas en que ha afectado y afectará a nuestras vidas. También comparte un marco de trabajo alrededor de las políticas de IA. El grupo planea evaluar el estado de la IA cada cinco años.
Infraestructura para aprendizaje profundo (Deep Learning), por el equipo OpenAI. En este artículo, compartiremos cómo la investigación de deep learning suele proceder, describir las decisiones de infraestructura que hemos tomado para darle soporte, y kubernetes-ec2-autoscaler, un gestor de escalado de lotes optimizado para Kubernetes.
PaddlePaddle por Baidu (repositorio GitHub aquí). Plataforma de Deep Learning abierta y fácil de usar para Empresa e Investigación PaddlePaddle (PArallel Distributed Deep LEarning, aprendizaje profundo en paralelo distribuido) es una plataforma de aprendizaje profundo fácil de usar, eficiente, flexible y escalable, desarrollada en origen por los científicos e ingenieros de Baidu con el fin de aplicar el aprendizaje profundo a muchos productos de Baidu.
Aprendizaje profundo de un vistazo: Aprendizaje de refuerzo (Reinforcement Learning) por Tim Dettmers de NVIDIA. Una amplia vista general del aprendizaje de refuerzo que incluye los conceptos principales y los campos en que la técnica brilla con luz propia. La cuarta entrega en la excelente serie de artículos de Tim que explican los conceptos nucleares del aprendizaje profundo.
WaveNet: Un modelo generativo para audio en bruto por DeepMind (artículo original aquí). El equipo presenta un modelo llamado WaveNet, que es capaz de generar habla que imita cualquier voz humana y que suena más natural que los mejores sistemas de texto a voz existentes, reduciendo la brecha con el desempeño humano en más de un 50%. Además, la misma red puede sintetizar otras señales de audio como la música, y presenta algunas muestras impactantes de piezas de piano generadas automáticamente.
Redes Neuronales Recurrentes de Atención y Aumentadas por Chris Olah y Shan Carter. Los investigadores de Google Brain explican cuatro formas de aumentar las Redes Neuronales Recurrentes con propiedades nuevas y más sofisticadas, así como el concepto de atención que es un principio subyacente en cada una de ellas.
¿Por qué funciona tan bien el aprendizaje profundo y barato? por Henry Lin y Max Tegmark. Los investigadores de Harvard y el MIT afirman que la razón tras la eficacia de las redes neuronales puede explicarse con las leyes de la física contra las matemáticas por sí solas. Mostramos como el éxito del aprendizaje profundo depende no sólo de las matemáticas, sino también de la física (artículo resumido aquí).
Cómo un agricultor de pepinos japonés está usando el aprendizaje profundo y TensorFlow por Kaz Sato de Google Cloud Platform. El artículo explica el proceso de Makoto Koike -un diseñador japonés de sistemas incrustados- para construir un clasificador de pepinos que implementó en la granja de pepinos de sus padres en Japón. Koike aprovecha TensorFlow para implementar su clasificador basado en aprendizaje profundo.
Jugando por datos: Realidad del Terreno a partir de Juegos de Ordenador por Richter et al. Investigadores de TU Darmstadt e Intel Labs presentan un planteamiento para crear mapas etiquetados detallados a partir del videojuego Grand Theft Auto debido al alto grado de realismo del juego. Esto aumenta la precisión de los algoritmos de conducción autónoma que se entrenan tradicionalmente en conjuntos de datos del mundo real.
Mi punto de vista
Es curioso que leyendo cosas de hace casi siete años parezca que esté leyendo sobre ciencia ficción, así que al tópico de la ética en la IA (sobre el que no voy a hablar, peco de perezoso) puedo añadir el más rancio aún de que la técnica avanza que es una barbaridad.
Me voy de Suecia a Afganistán, a ver cómo ha vivido un autor nacido en Afganistán toda la involución fundamentalista de los muyahidin, aprovechando como tantas religiones para limitar, anular, sujetar, marchitar a las mujeres por medio de la coacción y el terror con pretextos sobrenaturales. Bueno, se me van a notar los juicios previos y apenas he empezado a leerlo. Mente en blanco, corazón abierto. A por él.
Portada (pasada por un filtro duotono al que me estoy aficionando) de la edición 78ª en castellano, prueba de que una vez más os traigo una primicia absoluta para informaros de las novedades literarias. Fuente penguinlibros.com
Biografía del autor
Hay una biografía breve sobre Khaled Hosseini en Goodreads de la que me apropio aquí:
Hosseini nación en Kabul, Afganistán, en 1965. En 1970 Hosseini y su familia se mudaron a Irán donde su padre trabajaba para la embajada de Afganistán en Teherán. In 1973 la familia de Hosseini regresó a Kabul, y el hermano menor de Hosseini nació en julio de ese año.
El retrato de Khaled Hosseini que hay en su perfil de Goodreads pasado por otro filtro de duotono del WordPress
En 1976, cuando Hosseini tenía 11 años, el padre de Hosseini’s consiguió un trabajo en Paris, Francia, la familia se mudó allí. No pudieron volver a Afganistán por la Revolución de Saur. El partido comunista PDPA se hizo con el poder por medio de un sangriento golpe de estado en abril de 1978. En cambio, un año después de la invasión soviética de Afganistán, en 1980 solicitaron asilo político en los Estados Unidos y empezaron a residir en San José, California. Hosseini se gradó en el Instituto Independence High School en San José en 1984 y se matriculó en la Universidad de Santa Clara, donde obtuvo una licenciatura en biología en 1988. El año siguiente entró en la Universidad de California, San Diego, en la faculta de Medicina, donde obtuvo su título de doctor en Medicina en 1993. Completó su residencia en medicina interna en el Centro Médico Cedars-Sinai en Los Angeles en 1996. Ejerció la medicina más de 10 años, hasta un año y medio después de la publicación de «Cometas en el Cielo» (The Kite Runner). Hosseini es actualmente Embajador de Buena Voluntad del Alto Comisionado para los Refugiados de las Naciones Unidas (United Nations High Commissioner for Refugees, UNHCR). Ha trabajado para proporcionar ayuda humanitaria en Afganistán por medio de la Fundación Khaled Hosseini Foundation. El concepto de la fundación fue inspirado por el viaje a Afganistán que Hosseini hico en 2007 con la UNHCR. Vive en el norte de California con su esposa, Roya y sus dos hijos (Harris y Farah).
El libro
Tenía yo unas suposiciones cuando presumía de mente abierta que desmienten precisamente eso de que tengo la mente abierta. Y bastante ignorancia que el libro me ayudado, no a disipar, sino quizás a dimensionar con algo más de precisión: es una ignorancia bastante grande. Iba a estar todo en torno a la religión como fuente de males, pero para el protagonista, Amir, es un rescate en sus momentos más bajos, una religión individual, relativamente adaptada, bastante humanizada. Sí que retrata varias fuentes de opresión social, convencionales, sociales, políticas y religiosas, así que vemos una sociedad de castas que recluye a sus mujeres, a las razas supuestamente extranjeras (como si no viniésemos todos del mismo sitio), abusones infantiles, mujeres que no sobreviven al parto o que huyen con los faranduleros y caen en el oprobio, hombres cotilleando por la calle todo el tiempo para mantener el pistón aplastante del qué dirán (o de su reverso de orgullo y honra), invasiones comunistas, ejecuciones sumarias públicas para aplicar la sh’aria a los adúlteros, condenas radiofónicas a los hombres que lleven los pantalones caídos, chistes sobre los mullah que forman toda una categoría (con eso estoy de acuerdo :)), violaciones, pederastia, bombas, matanzas indiscriminadas, analfabetismo, rezos cinco veces al día, kabob, pan naan y mucha miseria y decadencia agravada por la intolerancia.
El tema de las cometas que da título a la novela representa un juego competitivo con el que se entretenían los afganos de la novela en su supuesta arcadia ¿feliz? recordada por el protagonista. Las cometas se sostienen con un hilo recubierto de vidrio que corta los dedos del piloto de la cometa, al que asiste una especie de ojeador. El juego consiste en volar las cometas por las calles de la ciudad y en cortar los hilos de las demás cometas hasta que sólo quede una, y el ojeador, o los espectadores, tomarán del suelo, de donde caigan, las cometas de los vencidos, y todos aplaudirán y jalearán al vencedor.
Spoiler del argumento
Amir y Hassan, el hijo de un criado de la familia, ambos de la etnia-casta hazara, que son como unos intocables a los que los afganos de pura cepa llaman burros mongoles, dicen de ellos que comen perros y demás lindezas, son inseparables. Los dos son huérfanos, Amir porque su madre murió en el parto y Hassan porque su madre se fue con los comediantes y lo repudió.
Van juntos a todas partes, hacen bromas a los mayores, comen frutos secos por el campo y viven una infancia de escasez y felicidad. Pero Amir dice que no son amigos, le lee libros y le toma el pelo por su analfabetismo, le manipula para ver hasta dónde sería capaz de llegar diciéndole que quiere que coma tierra, le tira granadas (fruta que mancha, no de las de la espoleta) y Hassan es como un santo impasible que le quiere sin condiciones ni límites. En una ocasión le defiende de un niño rubio hijo de australianos, un psicópata de libro, con su infalible tirachinas, cuando éste iba a darle una paliza con su manopla de acero por ir con un hazara (Hassan), y el abusón deja para más tarde ajustarle las cuentas por miedo a quedar tuerto.
En la competición de las cometas, Hassan ayuda con su habilidad portentosa a que Amir gane, y cuando va a recoger la cometa de otro de los perdedores, el abusón viola a Hassan ante un Amir escondido y asustado que no hace nada por ayudar a Hassan. Amir se porta como un cobarde, trata de que se padre despida a los criados, y este se niega. Hassan no vuelve a ser el mismo. Amir simula un robo cometido en teoría por Hassan, y Hassan y su padre deciden irse de su casa, provocando una herida en el padre de Amir, que trata demasiado bien (para el gusto de Amir) a Hassan. Algo más tarde, Amir huye con su padre de Afganistán durante la invasión soviética y tras diversas penurias acaban viviendo en California.
Amir estudia literatura, escribe y va los fines de semana al mercadillo con su padre, que trabaja a destajo sin cualificación en una gasolinera y va estropeando su salud. Amir se casa con una mujer afgana que conoce en el mercadillo con la ayuda de su padre, que ha enfermado de un cáncer y no piensa meterse en el bucle de la quimio y la decadencia. Poco después muere. Amir y Soraya, su mujer, no pueden tener hijos y se ponen tristes por eso. Amir recibe noticias del criado hazara, el padre de Hassan y decide ir a Afganistán. Se entera de que Hassan era su hermanastro y de que ha muerto a manos de los talibanes, casado y con un hijo, al que decide ir a rescatar al orfanato donde se supone que está. No está, lo tiene el psicópata maltratador hijo de australianos, que está como pez en el agua entre los talibanes, ejecuta a adúlteros en el descanso de los partidos de fútbol, delante de todo el mundo, a pedradas hasta que el médico certifica que falta un par de pedradas más para rematar a uno de ellos, al que remata. Todo muy cruel y sangriento.
Se mete en la guarida del lobo, a ver a ese tío inmundo que precisamente es quien tiene al hijo de Hassan, vestido y maquillado y del que abusa regularmente, como de los niños que de vez en cuando compra al orfanato. Todo se vuelve un poco increíble aquí, puede que este nudo de la trama no haya quedado bien resuelto para mi gusto. No me lo he creído: El psicópata le propone a Amir cobrarse la deuda de cuando no pudo darle una paliza cuando era niño, se pone el guantelete y quiere que el niño presencie la escena. Dice a sus guardaespaldas que les dejen solos, que sólo uno de ellos puede salir de allí y que si el que sale es Amir, le dejen ir. Prrrrret. El supervillano contra el superhéroe, que se deja dar una paliza (una superpaliza con muchos huesos rotos, sangre y el labio partido) y el niño, el hijo de Hassan que maneja muy bien el tirachinas, se enfrenta al supervillano y le salta un ojo cuando a este no le da la gana de cesar en su violenta paliza a Amir. Salen de la casa, salen del país a Pakistán, los trámites para que Amir, después de medio recuperarse en el hospital, adopte al niño son desesperantes e implican que tenga que pasar una nueva temporada en el orfanato, cosa que Amir le prometió al niño que no ocurriría. Eso provoca que desesperado el niño se corte las venas en la bañera del hotel donde están esperando para irse a las américas mientras Soraya que espera sola y sin casi noticias desde hace tres semanas encuentra un modo más audaz de entrar en los EEUU y obtener el visado sin pasar por orfanatos. Pero casi es tarde. El niño se recupera en el hospital, llega a California con sus padres adoptivos, pero sus ojos ya no brillan. Hasta que una tarde en el parque Amir compra una cometa con hilo de ese que corta los dedos y enseña al niño, le rompen la cometa a un niño americano y el niño afgano traumatizado sonríe fugazmente.
Mi opinión
Un libro muy entretenido, sobre un tema terrible, que me ha enganchado de principio a fin. Salvo en su piedra angular, que (como describo en el spoiler más arriba) no me convence, está muy bien escrito, no le sobra casi nada y me ha resultado bastante educativo. He aprendido cosas sobre Afganistán y su horrible historia reciente, llena de crueldad y sufrimiento y en la biografía del autor he visto un camino de esos curiosos por los que la vida lleva a nosotros sus habitantes hasta su destino. Khaled se hizo médico en California, ejerció 10 años, se hizo escritor de éxito y colabora con causas humanitarias. Pero tengo una edad en la que no me atrevo a admirar a nadie, sólo aplaudo actos y conductas que aspiran a ayudar a los demás. Me conformo con eso y aplaudo, aplaudo. Me ha enternecido y me ha resultado inspirador, la verdad.
La página Goodreads del libro está aquí y mi vanidosa reseña (en inglés del cutre) aquí. Y ahora me entero de que hay película (en filmin, de Marc Foster en 2007, no disponible por el momento) y novela gráfica aquí.
Sigo como si estuviese leyendo la colección completa de Mafalda, Astérix o Tintín, de la mano de este inspector de policía y su equipo, la crítica social de Suecia y el Capitalismo a finales de los 60 y principios de los 70 del siglo pasado y con narraciones detalladas del proceso de la investigación policial de un crimen. Creo que en casi todos los ejemplares que llevo leídos antes de este (van 6 ya) siempre aparece alguna vez la frase «aquel día no sucedió nada». Está presente esa sensación de urgencia y sin embargo la tozuda realidad, enfrente, se niega a avanzar. Como la vida misma ¿no?
En esta entrega de la serie, otra vez la víctima podría ser peor que su asesino. En este caso muere asesinado un comisario de las catacumbas de la ultraderecha del ejército sueco que movía los hilos para que las quejas sobre su mala conducta no llegasen a ninguna parte. Las quejas venían de sus prácticas violentas, detenciones ilegales y malinterpretaciones de la ley anti-alcoholismo sueca (¿qué pasaría si se aplicase a los que salen dando voces de madrugada de las discotecas de nuestras ciudades españolas?) que en última instancia llevaron a la muerte de la esposa diabética de un policía de su unidad y a la ruina a ese policía.
Me han gustado las escenas de acción que hay entre los «aquel día no sucedió nada» a que me refería antes. Y el retrato de esos dos policías que no se llevan muy bien, pero que colaboran para resolver un caso que señala al cuerpo policial y a un sistema podrido, tema recurrente de Maj y Per.
Es otro libro corto, como los demás de la serie. Me los imagino en tapa blanda en kioscos de estación, como para rematarlos en un viaje en tren, o a ratitos sueltos después de dormir o de comer, que es como lo he leído yo. Y publico este post de la serie en primer lugar, porque no tengo plan editorial, porque saco ratos de donde puedo y me apetece y para imitar a los «creadores de contenido», evacuando con frecuencia mis paridas en vez de labrarlas de más.
Este es un artículo de Medium de Gregory Ciotti que tiene ya unos cuantos años (¡es de 2016!) y que me pongo a traducir ¿ahora? Bueno, pues si era verdad entonces a lo mejor lo sigue siendo ahora.
Porqué es cierto que una imagen vale 1000 palabras
La habilidad en la comunicación visual se ha convertido en algo casi tan indispensable como escribir con claridad y de forma creíble. Casi todo el mundo ha tropezado con un pasaje confuso en un libro de texto y sólo ha vuelto la claridad gracias a «Ver Figura A».
Las imágenes, diagramas y gráficos pueden concentrar y presentar información de una forma que permanece. Tomando prestado un ejemplo del autor Mike Parkinson, la utilidad del texto emparejado con las ilustraciones se vuelve obvia cuando intentas responder a la pregunta «¿Qué es un círculo?»
Usar sólo uno o la otra crea una confusión innecesaria y exige más esfuerzo del lector. El punto de equilibro está en mostrar y contar. Con ese espíritu, examinemos unas pocas formas de comunicar de forma efectiva por medio de ilustraciones.
1. Busca defectos en la comunicación de sólo-texto
¿Qué es lo más difícil de comprender cuando se comparte lo información a través de texto? Esta es una pregunta útil para empezar cuando se define por qué sería de ayuda una ilustración. Puede que los padres que conocen «Las fronteras del espacio del gato cósmico» («Astro Cat’s Frontiers in Space«) recuerden este ejemplo del aspecto que tendría el Sistema Solar si la Tierra fuese del tamaño de un tomate cherry:
El problema de usar sólo texto para describir el tamaño de los planetas es el magro favor que hace para ilustrar la escala – saber que la superficie de Júpiter es de 6.1419×1010 km2 no significa mucho, porque es demasiado grande para percibirlo. Con una ilustración, ganamos una percepción concreta de lo grande que es la Tierra en comparación con los otros planetas.
2. Visualiza las ilustraciones como diapositivas de una presentación
Los mejores comunicadores visuales emparejan su talento con el habla más a menudo que con la escritura. Sin duda, cuando se usan ilustraciones, puede ser útil imaginar el trabajo más como una «presentación» que como un artículo o un ensayo -hacer esto te animará a seguir las lecciones aprendidas de presentadores veteranos.
Aquí arriba hay una diapositiva de «Cómo diseñar un mejor soporte para un discurso» (How to Design a Better Pitch Deck) de YCombinator. No es sorprendente que el consejo encaje como anillo al dedo en cualquier forma de comunicación visual. Creas ilustraciones para condensar información y puntuar los aspectos importantes; no ahogues tu propia voz diciendo demasiadas cosas a la vez.
La propia naturaleza de las ilustraciones anima a aprender «de un vistazo», haciendo que sean adecuadas para mostrar un contraste claro entre dos elementos. Una amplia gama de comparaciones de esto frente a aquello o antes-y-después encajaría bien con esto.
Suele haber un ganador que buscas destacar, así que querrás desempolvar un antiguo éxito y usar un planteamiento probado del marketing: refuerza que tu opinión es la inteligente, y haz que el otro parezca tonto. No es raro que las ilustraciones comparativas se usen tan a menudo para persuadir.
4. Usa ilustraciones para mostrar flujo y progreso
Las jugadas de pizarra dejan clara una cosa al instante: es más fácil mostrar movimiento, evolución y «flujo» de forma visual que con texto (pero, por favor, calma con los diagramas de flujo).
La idea que conecta es un camino. cuando tienes un camino que mostrar, opta por una ilustración – es fácil abrumar a una audiencia con sólo unas pocas bifurcaciones: «Bueno, puedes hacer X, y si eso va bien para ti, puedes avanzar hacia Z, pero si no, tendrás que hacer W, o quizá V…», y ya todo va cuesta abajo desde ahí.
Incluso cuando estás mostrando una progresión lineal, como la diferencia entre X → X2 → X3 y X → Y → Z, las ilustraciones pueden procesarse mucho más rápido. el ahora bien conocido diagrama de «Cómo construye productos Spotify«, reimaginado por el diseñador Kirill Shikhanov, demuestra esta idea:
5. Conecta con ideas existentes
La creatividad consiste en conectar ideas. Es probable que ya exista un retrato de la idea central que estás comunicando – lo único que necesitas es encontrar la conexión. Abstrae lo que estás diciendo a la idea principal; una vez ahí será más fácil engancharse a ejemplos del mundo real.
Samuel Hulick propuso que los beneficios vienen de vender a los clientes una «versión mejorada de sí mismos». Hizo la conexión de Mario y la mejora de la flor de fuego -un ejemplo claro en que el producto resultante es mejor que la suma de las partes.
Las ilustraciones pueden complementar el texto y los datos sin mucha pompa ni boato. Aquí arriba hay un ejemplo de una investigación que encontramos sobre los efectos de un mal servicio de atención al cliente.
Es un dato fácil de compartir por medio de texto, pero pensamos que la información era significativa y, francamente, algo chocante -el papel de la ilustración era actuar como subrayado. Hacer que la información destaque es una misión bastante importante cuando piensas en nuestra tendencia a leer en diagonal.
¿Te has tomando un momento para mirar el gráfico antes de leer esta sección? Misión cumplida.
7. Mantén tus gráficos tan simples como puedas
Nos ahorraré un extenso «artículo dentro del artículo» y en vez de hacer eso te recomendaré que leas la Guía WSJ de Gráficos Informativos. La misión de los cuadros y diagramas es transmitir con claridad (y responsabilidad) cambios y tendencias en los datos, habitualmente a lo largo del tiempo. Los datos tienen algo o nada que decir; primero tienes que captar el mensaje correcto, hecho esto tienes que hacer llegar el mensaje.
Hay una oportunidad de decir algo revelador, instructivo, o simplemente inteligente sin necesidad de competir con el New York Times en cuanto a calidad de ejecución:
También hay cierta dosis de genio en dejar como están las cosas que están suficientemente bien. Los gráficos no tienen por qué ser extravagantes para funcionar, sólo tienen que evitar ser estúpidos. El famoso «peor gráfico de tarta del mundo» hará su alegato final ahora:
En cuanto te encuentres añadiendo elementos 3D, demasiado color, o «exuberancia y dinamismo (pizzazz)» será porque algo ha ido terriblemente mal.
Enseñar y contar
Los buenos escritores tienden a encontrarse trabajando duro en vez de inteligentemente cuando luchan una batalla cuesta arriba con la prosa por sí sola. Es un error comprensible; cuando tienes un martillo, todo empieza a parecerse a un clavo.
Gregory Ciotti está (si es que sigue ahí 7 años más tarde) en el equipo de marketing de Help Scout, un software para proveer un servicio de atención al cliente excelente. Le encontrarás escribiendo sobre comunicación clara y estrategia editorial en el blog de Help Scout. También escribe sobre psicología del comportamiento en su blog Sparring Mind.
Traduzco ahora y opino después sobre este artículo de Johannes Deichmann, Kersten Heineke, Thomas Reinbacher, y Dominik Wee para McKinsey.
Cómo crear un mercado de datos de Internet de las Cosas que tenga éxito
Monetizar la avalancha de información generada por el Internet de las Cosas requiere una estrategia bien puesta en práctica y que cree valor.
Internet de las Cosas, Internet of Things (IoT) convertirá la actual marejada de datos industriales en un tsunami de proporciones verdaderamente colosales, amenazando con sobrepasar incluso a la empresa mejor preparada. A medida que los gigabytes, terabytes y petabytes de información sin estructurar se amontonan, la mayoría de las organizaciones carecen de métodos viables para indagar, monetizar y explotar estratégicamente este valor enorme en potencia. La investigación de McKinsey revela que en la actualidad la mayoría de las empresas infrautilizan la mayor parte de los datos de IoT que recopilan. Por ejemplo, una plataforma petrolífera con 30.000 sensores examina sólo el 1 por ciento de los datos capturados porque prácticamente usa la información para detectar y controlar anomalías, ignorando su mayor valor, que implica apoyar las actividades de optimización y predicción. Una forma efectiva de poner los datos de IoT a trabajar y producir ingresos en la creciente exuberancia digital implica ofrecer la información en mercados de datos a terceros.
Cómo crea valor un mercado digital
Los mercados digitales son plataformas que conectan a proveedores y consumidores de conjuntos y flujos de datos, garantizando unas elevadas calidad, consistencia y seguridad. Los proveedores de datos autorizan al mercado a otorgar licencias en su nombre siguiendo términos y condiciones definidos. Los consumidores pueden jugar un doble rol suministrando datos de vuelta al mercado (Figura 1).
Los terceros pueden ofrecer soluciones de valor añadido sobre los datos que el mercado ofrece. Por ejemplo, la analítica en tiempo real puede hacer que lo aprendido sobre el cliente sea más actuable y actualizado que nunca antes. El mercado tiene también una plataforma de intercambio como base técnica para el intercambio de datos y servicios, incluyendo ofrecimientos de platform-as-a-service. Hay seis capacitadores clave del mercado de datos que pueden ayudar a las empresas a poner sus datos a trabajar con más efectividad:
Abrir nuevas oportunidades de monetización. El mundo digital e interconectado de hoy aumenta el valor de activos de datos de alta calidad mientras crea flujos de ingresos innovadores. Un mercado digital, por ejemplo, añade valor al mercado de vehículos eléctricos de Europa proporcionando información y puertas de acceso transaccionales para negocios como proveedores de infraestructura de carga, agentes de servicios de movibilidad y fabricantes de vehículos. Los operadores de estaciones de carga por ejemplo, son libres de determinar sus propias estructuras de precios basándose en los datos disponibles sobre los hábitos de los consumidores y las tendencias del mercado.
Habilitar el crowdsourcing. Los mercados de datos hacen posible compartir y convertir en dinero diferentes tipos de información para crear valor incremental. Combinando información y modelos analíticos y estructuras para generar incentivos a los proveedores de datos, más participantes entregarán datos a la plataforma.
Apoyar la interoperabilidad. Los mercados de datos pueden definir metaformatos y abstracciones que den soporte a casos de uso a través de distintos dispositivos y a través de industrias diferentes.
Crear un punto central de «descubribilidad». Los mercados ofrecen a los clientes una plataforma central y un punto de acceso para satisfacer sus necesidades de datos.
Lograr una calidad de datos consistente. Los acuerdos de nivel de servicio pueden asegurar que los mercados siempre entregan datos de una alta calidad.
Diseñar una plataforma para compartir datos
A medida que piensan en el proceso de montar un mercado de datos, los líderes de empresas necesitan trabajar un conjunto de preguntas críticas. Una empresa podría ponderar los siguientes problemas cuando aclare su estrategia de mercados de datos:
¿Cuál es el alcance del mercado de datos? En la mayoría de los casos, un mercado de datyos comienza cuando las empresas establecen un intercambio central de datos dentro de sus propias organizaciones. Más tarde, determinan qué categorías de información de entre las de ese intercambio interno son apropiadas (desde una perspectiva de seguridad y rentabilidad) y entonces permiten que otros agentes de fuera de su organización (y quizá de fuera de su industria) accedan a esos datos.
¿Cuál es la mejor estructuración del mercado? Para promover un ecosistema dinámico, el mercado de datos debe adoptar una posición neutral respecto a los participantes. La entidad legal/fiscal en que se convierte el mercado y las estructuras que lo gobiernan y financian son claves para su neutralidad. Entre los principios rectores que los agentes siguen en la configuración de mercados de datos son que a) el mercado debe financiarse a sí mismo por medio de dividendos y comisiones basados en las transacciones ,y b) la neutralidad debe extenderse a los futuros participantes que proveen o reciben datos o servicios, ofreciendo acceso indiscriminado para todos los agentes interesados bajo términos y condiciones justos. Y mientras el mercado de datos apoyará la creación y definición de licencias de datos, los proveedores de datos deben sin embargo deben responsabilizarse de hacer cumplir y auditarlas legalmente. Respecto al gobierno del mercado, hay dos modelos de negocio mostrando el camino. Los mercados de datos tienden a ser o bien plataformas independientes o bien híbridos de propiedad limitada. Bajo el primer modelo, los conjuntos de datos se compran y venden, mientras que los proveedores de datos-como-servicio de propiedad completa venden datos primarios en segmentos específicos o con servicios y soluciones empaquetadas. Bajo el segundo, el mercado recopila y agrega datos de múltiples publicadores o propietarios de datos y después vende los datos.
¿Quiénes son los clientes del mercado de datos? Una vez que el mercado es comercialmente viable, los clientes incluirán todo tipo de proveedores de datos, y el sistema del mercado debería obtener nuevos tipos de datos para hacerse más atractivo. Los proveedores clave de datos serán empresas que los capturen, los posean y autoricen que se compartan. En algún punto, de todos modos, los desarrolladores de aplicaciones ofrecerán servicios de infraestructura y soporte que aumenten más aún el valor de los datos ofreciendo un análisis relevante sobre los mismos y facilitando su entrega.
¿Cuáles son los términos y condiciones generales, y las categorías de datos, del mercado? Durante la fase de configuración técnica del mercado, los suministradores de datos definen sus condiciones de licenciamento independientemente, y la plataforma proporciona puntos de referencia para condiciones de licencia. Los términos y condiciones generales del mercado se aplican a todos los datos con los que se comercia. En la fase de comercialización que le sigue, el mercado depende de categorías de datos definidas centralmente y los correspondientes acuerdos de licencia expresados en sus términos y condiciones generales. Esta estrategia permite a los agentes licenciar datos convocados abiertamente independientemente de suministradores específicos.
¿Cómo se relaciona el mercado con otros modelos de licencia? Cuando tratan con datos propietarios, los suministradores retienen cierta información y no la comparten en el mercado. De todos modos, los suministradores que también ofrecen servicios puedes usar sus datos propietarios para crear servicios con los que pueden comerciar en el mercado. Para otros datos licenciados, los suministradores de información pueden crear libremente acuerdos de licencia que se extiendan más allá del mercado – por ejemplo, con socios estratéticos. Tanto la cantidad como los tipos de datos, junto con el alcance de las licencias para el uso de la información pueden variar respecto a los datos suministrados al mercado. Análogamente, los suministradores también pueden imponer acuerdos de licencia separados para datos con los que ya han comerciado en el mercado si los compradores pretenden utilizarlos bajo condiciones diferentes.
¿Cuáles son el papel y el potencial de creación de valor de la empresa del mercado de datos o de los corredores de datos participantes? El valor potencial de los datos diferirá dependiendo de si el mercado de datos está en la fase de arranque técnico o si ha logrado una completa comercialización (Diagrama 2). En el primero, el mercado actúa como un normalizador de datos, definiendo modelos de datos, formatos y atributos estándar para toda la información comercializada. Verifica sintácticamente todos los datos que entran en comparación con el estándar definido y gestiona y extiende continuamente el inventario de datos. Una vez que el mercado entra en el estadío comercial, se convierte en un agregador de datos. En este punto, además de normalizar los datos y verificar la información entrante, agrega los datos y los organiza en paquetes lógicos. Por ejemplo, permitirá a los usuarios combinar datos de una determinada región y ofrecerlos a proveedores de servicios.
Mientras que el licenciamiento tradicional proporcionará flujos de ingresos al mercado, los participantes pueden también desarrollar modelos transaccionales para monetizar los datos y servicios, con enfoques a-demanda como opción preferida. Con el licenciamiento tradicional, las empresas pueden dedicarse a acuerdos perpetuos o de una vez y recaudar dividendos de clientes usando diversos acercamientos. Por ejemplo, pueden firmar contratos con dividendos fijos y duraciones, renegociar contratos expirados, o obtener ingresos en el momento de la venta (este acercamiento final proporciona típicamente menos estabilidad en la predicción de ingresos). En el plano transaccional, las dos alternativas principales son servicios a demanda y de suscripción. Con los servicios a demanda, los consumidores o bien pagan por uso o bien eligen precios por volumen y pagan cargos basados en métricas como volumen de uso, número de incidentes o dividendos relacionados con el hardware. Las suscripciones pueden implicar tarifas planas – típicamente aplicadas con una base mensual o anual – o ofertas gratis/premium (“freemium”), que proporcionan lo básico sin cargo mientras que ofrecen características adicionales por una tarifa plana.
Otra opción de monetización es el modelo «toma y daca», que ofrece incentivos a los proveedores de datos para compartir su información. El incentivo puede ser monetario o tomar la forma de algo como datos altamente relevantes, agregados, como un incentivo para compartir. El mercado entonces agrega y anonimiza los datos y los ofrece junto con los servicios enfocados en datos a los clientes.
Un ejemplo de toma y daca es un servicio basado en internet que ofrece información geolocalizada en tiempo real de los vuelos de aviones. El servicio tiene según consta una de las mayores bases de datos en línea sobre aviación, cubriendo cientos de miles de aviones y vuelos así como grandes cantidades de aeropuertos y compañías aéreas. Los suministradores de datos reciben equipamiento de radio gratuito que recopila y transmite datos de los aviones y una afiliación gratuita de nivel de empresa a un servicio valorado en 500$ al año mientras transmitan datos. En otro caso, una gran oficina de crédito europea ofrece información de clasificación de crédito para consumidores y empresas. Los suministradores de datos proporcionan información que incluye actividades bancarias, acuerdos de crédito y arrendamiento, e impagos. A cambio, reciben datos de clasificación de crédito para individuos o negocios. Y aún otro mercado de toma y daca se enfoca en las analíticas de datos y rendimiento de la cobertura de redes de operadores móviles. Comercia con apps e información de cobertura a suministradores de datos a cambio de datos de convocatoria abierta que pueden generar mapas de cobertura de móviles y revela el rendimiento de un operador móvil por región y por tecnología (por ejemplo, para redes 3G o 4G).
Evaluando a la competencia
Una amplia variedad de servicios de datos comerciales existe actualmente, aunque esos servicios están en su mayoría en silos que se enfocan en temas específicos, como la sanidad, finanzas, comercio minorista o marketing. Esta balcanización proporciona una oportunidad nuevos y más holísticos modelos de negocio con datos. Una ventaja de la actual ubicuidad de proveedores de datos es que la mayoría de las empresas ya están familiarizadas con tratar con ellos. De hecho, algunas fuentes estiman que el 70 por ciento de las grandes organizaciones ya comprado datos externos, y probablemente todas ellas lo harán al final de la década. El valor potencial inherente en los mercaos de datos está atrayendo agentes clave de diversas de industrias avanzadas. Un conjunto de empresas aeroespaciales, por ejemplo, ofrecen sistemas que proporcionan orientación a clientes en áreas como mantenimiento y resolución de problemas. Esfuerzos similares están en marcha en las industrias de equipos agrícolas y de minería, entre otras.
El gran conjunto de datos de la IoT promete ayudar a las empresas a comprender las necesidades de los clientes, la dinámica del mercado y los problemas estratégicos con una precisión sin parangón. Pero en la persecución de esta meta, las organizaciones van a amasar cantidades de información inconcebibles en el pasado. El mercado de datos les ofrece una forma innovadora de convertir algunos de esos datos en dinero y cosechar los beneficios que crecerán al construir un ecosistema que se refuerce a sí mismo, permitiendo las convocatorias abiertas, dar soporte a la interoperabilidad, satisfacer las necesidades de datos de los clientes y mejorar la calidad de los datos.
Mi opinión
Bastantes años más tarde, después de haber traducido el artículo y haber trabajado un poco en bases de datos relacionadas con el agua, empiezo a entender lo que estos consultores querían decir con el artículo. Normalmente estos aprendizajes me vienen con algo de melancolía (podía haber avanzado más, haberme dedicado más a esto, a explicarlo bien y ponerlo en práctica, demostrando por medio de resultados que, en efecto, merecía la pena entrar en una economía de los datos). ¿Merecía la pena? Aprender siempre lo merece. No sé hasta qué punto somos económicos y fiables como agregadores, normalizadores, garantes del dato. Podría ser un papel a alcanzar en los próximos años. Creo que hay muchos campos en que la sociedad y la economía necesitan contar con información cierta, contrapesada, contrastada. En el del agua es patente que esto es necesario.
También tengo la sensación de que, en conjunto, estamos lejísimos de este paradigma ideal en que intentas saber algo para afrontar un problema ambiental, económico o social y cuentas con los datos para que la decisión que tomemos entre todos sea la mejor posible. Razón de más para luchar con más fuerza (o con más cabeza, mejor) en conseguir acercarnos a eso.
Este enlace apuntaba a yet another article de McKinsey (de 2017 y que ya no existe, salvo aquí).
Una ilustración sobre el tema que me ha gustado y que he tomado de PeopleMatters.in
El poder de las personas en la transformación
Una encuesta de 2017 cuyo informe de resultados he tardado mucho en traerme aquí sugería que para que sus transformaciones prosperen, las organizaciones necesitan apoyo de los empleados a todos los niveles, una comunicación consistente y mejores estrategias con las personas. A pesar del tiempo que ha pasado, parece que sigue siendo algo muy cierto lo que ese informe concluye.
Las transformaciones organizativas son un duro trabajo, y según la encuesta global de McKinsey Global Survey de 2017 sobre el tema1, las empresas no están teniendo más éxito en reformar profundamente su rendimiento y salud organizativa que dos años atrás2. Parece que un punto ciego en particular parece ser el fracaso para implicar a los empleados de primera línea y sus gerentes en el esfuerzo.
Las transformaciones tienen sus perogrulladas. Las que prosperen, por ejemplo, requieren líderes directivos visiblemente comprometidos que comuniquen claramente los cambios que están por llegar. Una inmensa mayoría de todos los encuestados informan de esas características en sus empresas, hayan o no funcionado sus transformaciones. Pero los resultados sugieren que mientras que el apoyo de la dirección, aunque necesario, no es en sí mismo suficiente. El éxito de una transformación también requiere que la gente de la organización tengan un papel específico que jugar, de forma que todo el mundo sepa cómo llevar a cabo su parte.
La encuesta que vamos a analizar preguntó por siete roles específicos y las acciones que los empleados en esos roles emprenden durante una transformación3. Para cada uno, y sobre todo para los roles en los niveles más bajos de la organización, los encuestados de las empresas con las transformaciones más exitosas informan de mayores grados de implicación en general. Los encuestados de estas empresas también tienen más probabilidad de informar de otras prácticas que hacen que sus transformaciones destaquen: Una comunicación continuada sobre los cambios en curso, especialmente para el personal de primera línea, definiciones claras de roles y responsabilidades; y un planteamiento estratégico de gestión del talento. Por contra, las respuestas sugieren que sin empleados de todos los niveles con un interés en el resultado, la transformación podría estar condenada. Entre los encuestados cuyas transformaciones empresariales fracasaron para comprometer a los gestores de línea y los empleados de primera línea, sólo el 3 % informa de haber tenido éxito, en comparación con tasas de éxito del 26 y 28 %, respectivamente, cuando cada uno de esos grupos está implicado.
Mira más allá del comité de dirección
Entre los encuestados hay un claro consenso en que los líderes de la empresa están profundamente implicados y comprometidos con el cambio transformacional (Diagrama 1). Incluso en la primera línea, el 84 % de los encuestados dice que sus CEO están muy o de algún modo comprometidos. Lo mismo hace una mayoría de los encuestados donde la transformación fracasó4, sugiriendo que el convencimiento del CEO es una parte crítica y por lo tanto esperada de la transformación. En efecto, cuando se les pregunta qué rol ha tenido el mayor impacto en los resultados de la transformación, los encuestados citan al CEO la mayoría de las veces.
Diagrama 1. En líneas generales, los encuestados están de acuerdo en que los CEO de sus empresas están profundamente involucrados en el cambio transformacional.
Lo que realmente hace que las transformaciones con más éxito destaquen, según los resultados, es la implicación de los empleados de primera línea y sus responsables. Muchas empresas parecen pasar esto por alto: los encuestados evalúan a estos grupos (junto con sus lideres de recursos humanos) como los menos implicados en las transformaciones. En las empresas con éxito, sin embargo, los encuestados tienen mucha más probabilidad de informar de empleados de primera línea visiblemente comprometidos: el 73 por ciento lo hace, en comparación con el 46 por ciento de todos los demás encuestados (Diagrama 2).
Diagrama 2. En las transformaciones que prosperan, los empleados de cada rol tienden a estar más involucrados, especialmente en los niveles más bajos de la organización (Fuente: McKinsey)
De forma poco sorprendente, implicar a la primera línea es un desafío incluso mayor en las grandes empresas, donde la proporción de éxito de la transformación es también menor5. Sólo el 45% de los encuestados de grandes empresas, comparados con el 58% en empresas pequeñas, dicen que se ve a los empleados de primera línea implicados en los cambios. Lo mismo es cierto para los mandos intermedios: los encuestados de empresas mayores tienen menos probabilidad que los de sus pares en empresas más pequeñas de decir que sus mandos intermedios (que supervisan el trabajo de la primera línea y cuyas actividades están directamente afectadas por las iniciativas de transformación) están implicados en el esfuerzo.
No es sorprendente, entonces, que estos grupos sean los que menos probabilidad tienen de considerar las transformaciones de sus empresas han tenido éxito (Diagrama 3). Aunque su involucración y su perspectiva no podría ser más crítica: entre las transformaciones que fracasan en involucrar a sus mandos intermedios o empleados de primera línea, sólo el 3% de los encuestados informan de éxito.
Diagrama 3. De entre todos los roles, los mandos intermedios y los empleados de primera línea son los que menos a menudo informan de éxito en la transformación. (Fuente: McKinsey)
La diferencia de una buena comunicación
Mientras que la implicación de la primera línea es muy importante para el resultado de una transformación, pocos encuestados informan de que sus organizaciones hayan construido un amplio apoderamiento con el esfuerzo del cambio. sólo el 39% de todos los encuestados (y el 11% en empresas con transformaciones fallidas) lo dicen. Una forma de construir apoderamiento es a través de una comunicación efectiva, la cual surgió en el trabajo previo como un factor clave del éxito de la transformación. En su encuesta anterior6, McKinsey vió que la mayor parte de los encuestados dijo que si sus organizaciones se transformasen de nuevo, emplearían más tiempo en comunicar una historia de cambio acerca de la iniciativa7. Las respuestas de este año sugieren que la comunicación permanece en una alta posición en la mente de los encuestados de todos los niveles. Cuando se les pregunta cómo sus empresas están involucrando a los empleados de primera línea, los encuestados identifican con la mayor frecuencia técnicas que implican comunicación – por ejemplo, comunicar sobre la necesidad y los objetivos de la transformación. Cuando se les pregunta qué factores han sido los más efectivos, también suelen seleccionar acciones relacionadas con la comunicación. Pero los empleados de primera línea a veces difieren de otros encuestados sobre las acciones que realmente han funcionado (Diagrama 4). sólo el 16% de todos los encuestados dicen que el acceso frecuente al progreso de la iniciativa es una forma efectiva de involucrar a la primera línea. Pero casi el doble de encuestados de primera línea dicen lo mismo.
Diagrama 4. Los empleados de primera línea difieren respecto a los demás en su punto de vista sobre los mejores modos de involucrarles en las transformaciones (Fuente: McKinsey).
Aún así, las empresas con más éxito son mucho mejores que las demás en crear líneas claras de comunicación (Diagrama 5). Dos tercios de los encuestados en estas organizaciones dicen que proporcionan acceso frecuente a la información sobre el progreso de la transformación, en comparación con aproximadamente la mitad de todos los encuestados y el 28% de aquellas con transformaciones fallidas. Los encuestados en las empresas exitosas también tienen más probabilidad que otras de informar de que los/as CEOs y lo/as líderes senior están visiblemente implicados e involucrados con la transformación.
Diagrama 5. Las empresas con más éxito en las transformaciones hacen más que las demás para comunicarse con e involucrar a la primera línea. (Fuente: McKinsey)
Las personas -y las estrategias de las personas- que hacen que las transformaciones funcionen
El éxito de la transformación no depende sólo de la primera línea, por supuesto. Los resultados sugieren que cuando todo el mundo en la organización desempeña su propio papel, las probabilidades de éxito son mucho mayores (ver barra lateral «los roles críticos de una transformación»). ¿Pero qué aspecto tiene el rol correcto? De acuerdo con los encuestados, cuando más contribuyen los líderes de las empresas a la transformación es cuando articulan una visión y la comunican de forma activa. Una transformación tiene 5.8 veces más probabilidad de prosperar en organizaciones en que los CEO comunican una historia de cambio de alto nivel, que implica, y 6.3 veces más probable cuando los líderes senior comparten mensajes alineados sobre el esfuerzo de cambio con el resto de la organización (Diagrama 6). Los líderes de las oficinas de gestión de programas tienen el máximo impacto sobre el éxito cuando identifican barreras al cambio y comparten conocimiento, mientras que los líderes de iniciativas de transformación tienen más probabilidad de lograr la diferencia cuando se apoderan por completo de sus iniciativas individuales. Y para los mandos intermedios, es de gran importante que hagan la transformación tangible y asimilable por sus empleados.
Los roles críticos de una transformación
Se preguntó a los encuestados sobre siete roles específicos en su organización y al grado en que las personas en esos roles cumplían prácticas concretas que, según nuestra experiencia, dan el mejor apoyo a una transformación. Los resultados sugieren que cada uno de esos roles tiene un valor único que aportar y que, cuando todo el mundo contribuye, las probabilidades de éxito de la transformación son mucho mayores. Sobre la base de las respuestas, he aquí el aspecto que tienen los roles correctos a través de la organización.
CEO. En una transformación, el papel más importante que debe jugar el CEO es el de un visionario que muestra a la organización el camino comunicando una historia de cambio convincente y siendo un defensor visible de los cambios en marcha.
Alta dirección. La alta dirección beneficia más a una transformación con actúan como movilizadores tanto del mensaje como de las personas en sus organizaciones. Para que los directivos tengan éxito, deben compartir mensajes alineados y proporcionar una comunicación transparente por toda la organización -tanto sobre los cambios que tendrán lugar como sobre los resultados esperados- y reemplazar a las personas de sus equipos que no estén comprometidas con los cambios.
Líderes de recursos humanos. Pocos encuestados reconocen a los líderes de recursos humanos como actores críticos -aparte de otros directivos- en los resultados de sus transformaciones. Pero en las empresas con las transformaciones de más éxito, los líderes de RRHH son los que mejor conectan los objetivos de alto nivel de la transformación con el trabajo diario de los empleados y comunican este vínculo a los empleados.
Líderes de oficinas de gestión de programas (PMOs) o de transformación. Los líderes de PMO son más efectivos en la transformación cuando actúan como solucionadores de problemas. Identifican obstáculos para el cambio en la organización y llaman la atención de los líderes de la organización sobre dichos obstáculos, al tiempo que sirven de compañeros de pensamiento de la alta dirección. También son críticos en la diseminación del conocimiento relacionado con la transformación y las mejores prácticas a través de la organización.
Líderes de iniciativas. Los líderes de las iniciativas de transformación individuales tienen que ser responsables de actuaciones. En las transformaciones de mejores resultados, estos empleados son claramente dueños de sus iniciativas, trabajan bien con sus pares al frente de otras iniciativas, y comprenden la importancia de su trabajo concreto en relación con el esfuerzo de transformación más amplio.
Mandos intermedios. Dado que los mandos intermedios trabajan tan estrechamente unidos a la primera línea -cuya involucración y adopción es tan importante para el resultado de una transformación- su rol más importante es el motivadores. También tienen que hacer los esfuerzos de transformación tangibles y asimilables para la plantilla de la primera línea cuyo trabajo gestionan. También son críticos en motivar a sus equipos para adoptar los cambios en marcha.
Agentes de cambio. Los agentes de cambio -esto es, los empleados que dedican un tiempo significativo a actuar como facilitadores o agentes de la transformación- son más valiosos para una transformación como ejemplos de conducta a seguir para otros en la organización. Contribuyen más al éxito cuando demuestran los cambios en mentalidad y comportamiento que requiere la transformación y cuando apoyan a los empleados en desarrollar nuevas habilidades y mentalidades esenciales para el éxito.
Diagrama 6. El éxito es más probable cuando los empleados desempeñan sus propios roles únicos. (Fuente: McKinsey)
Respecto a los líderes de recursos humanos, los encuestados afirman que su rol es relativamente pequeño. Sólo el 56% de los encuestados dicen que este grupo estaba visiblemente involucrado, en comparación con el 85% que dicen eso de otros líderes directivos. Cuando los líderes de RRHH se implican, las probabilidades de éxito son mayores cuando comunican la conexión entre los objetivos de recursos humanos y los de la transformación -aunque sus acciones se perciben como menos relacionadas con el éxito que las acciones de otros roles.
Los agentes de cambio, por contra, parecen tener un impacto notable sobre el éxito. Menos de la mitad de los encuestados dicen que sus organizaciones seleccionan a estos empleados, quienes dedican una parte significativa de su tiempo para actuar como facilitadores o agentes de la transformación. Pero aquellos que lo hacen informan de un éxito global más a menudo que otros encuestados -y tienen el doble de probabilidad de informar del éxito en transformar sus culturas organizativas. Los agentes de cambio tienen el máximo impacto en el éxito cuando hacen de ejemplo de nuestras mentalidades y comportamientos a seguir para los demás (incluida la primera línea) y cuando dan apoyo a los empleados para desarrollar las habilidades y cambios de mentalidad que necesitan para prosperar en el nuevo entorno.
Además de definir roles específicos -y de identificar cómo los empleados pueden contribuir más a una transformación- las empresas también necesitan cambiar a las personas de puesto, e incluso sacarlas de la organización, aunque con moderación. Sólo una cuarta parte de los encuestados están muy de acuerdo con que sus directivos sustituyen a personas de sus equipos que no están implicadas personalmente con los cambios en marcha. Pero cuando lo hacen, la transformación de la organización tiene muchas más posibilidades de prosperar. en organizaciones donde los directivos sustituyen a las personas que no se implican, el 29% de las transformaciones prosperar, en comparación con el 6% donde los líderes mantienen a esas personas en sus puestos. Comparadas con las transformaciones que fracasan en la mejora del desempeño o de la cultura, estas transformaciones exitosas también tiene más posibilidades de incorporar nuevo talento y mover personas internamente, en lugar de moverlas fuera (Diagrama 7)
Diagrama 7. Las transformaciones que prosperan tienen más probabilidad de mover personas de puesto -con moderación- e incorporar nuevo talento. (Fuente: McKinsey)
Mirando hacia adelante
En respuesta a algunos de los desafíos que los resultados de la encuesta han revelado, aquí hay algunos pasos que las empresas pueden adoptar para dar soporte al éxito de sus transformaciones:
Mostrar (no contar) el progreso a la primera línea. Cuando las grandes empresas de embarcan en una transformación, hay un riesgo de que los empleados de primera línea sólo vean el dolor individual y no el beneficio agregado. Comunicar con claridad y de forma creativa,, de un modo que estimule el diálogo acerca de la ambición de la transformación y su progreso aumenta las probabilidades de éxito. Las técnicas como encuestas periódicas tomando el pulso cultural de la organización, y fiestas de progreso celebrando hitos de la transformación pueden ayudar a sentar las bases para un diálogo real entre la dirección y la primera línea sobre la transformación y los cambios que potencialmente habrá que hacer.
Implicar a RRHH como socio estratégico. Las transformaciones tienen un impacto significativo sobre los empleados y por lo tanto requieren la involucración activa de recursos humanos. aunque los encuestados tienden a percibir que sus líderes de RRHH tienen un rol menos crítico que otras áreas en el resultado de la transformación. Para que este punto de vista cambie, el líder de RRHH debe configurar su función para posicionarse estratégicamente en el centro de la transformación, en lugar de jugar un papel meramente transaccional. Esto permitirá que RRHH utilice toda su experiencia y contribuya a la transformación de modos importantes, como cambiar a las personas de posición en la organización -de forma moderada. Otra forma para que RRHH añada valor en una transformación es que adopte un acercamiento de hoja en blanco al diseño nuevo, posterior a la transformación, y a continuación utilizar tácticas de planificación de fuerza de trabajo estratégica (como reclutamiento, desarrollo del talento y despidos) para alcanzar esa visión.
Conectar con los empleados por medio de nuevos canales. Las encuestas sugieren que alcanzar la primera línea es un desafío superior a la media en grandes empresas. Pero las empresas de cualquier tamaño pueden beneficiarse de planteamientos creativos, más digitales para implicar a los empleados en una transformación. el uso de redes sociales, apps de gestión del cambio o juegos, y las herramientas de realimentación en directo deberían apoyar y complementar el movimiento de información desde la cúpula hasta el resto de la organización, en lugar de reemplazar los métodos tradicionales. Tales planteamientos pueden lograrlo haciendo que la comunicación esté más adaptada y personalizada para empleados individuales (por ejemplo, enviando notificaciones push personalizadas si se ha alcanzado un hito) y proporcionando actualizaciones más frecuentes sobre el estado de la transformación. Los empleados pueden también usar esas herramientas para explorar y conectar con los cambios que se están haciendo, en sus propios términos y con la posibilidad de aportar realimentación. Herramientas de comunicación más avanzadas serán especialmente útiles en grandes empresas que luchan por involucrar a la primera línea en u empresas con muchas sedes o ubicaciones.
Sobre los autores
La lista de contribuyentes al desarrollo y análisis de esta encuesta incluyen a Dana Maor, una socio senior en la oficina de McKinsey en Tel Aviv, Angelika Reich, socio de la oficina de Zurich y Lara Yocarini, asociada de la oficina de París.
Notas al pie
La encuesta en línea estuvo activa desde el 14 de enero al 24 de junio de 2016, y obtuvo respuestas de 1657 participantes que representaban todo el abanico de áreas geográficas, sectores, tamaños de empresa, especialidades funcionales y tenencias. De ellas, 1487 han sido parte de al menos una transformación en los últimos cinco años, ya sea en sus organizaciones actuales o anteriores. Para ajustar las diferencias entre índices de respuesta, los datos de ponderan por la contribución de la nación de cada encuestado al PIB global. ↩︎
Definimos una transformación exitosa -un esfuerzo a gran escala para obtener cambios sustanciales y sostenibles en el desempeño que se hacen posibles por cambios a largo plazo en la mentalidad, comportamientos y habilidades de los empleados- como aquella que logró mejorar el rendimiento de una organización y la equipó para un rendimiento sostenido y a largo plazo. Ver «How to beat the transformation odds,” April 2015, McKinsey.com. ↩︎
Los siete roles son director general, alta dirección, director de recursos humanos, líder de la oficina de gestión de programas o de transformación, líderes de iniciativas de transformación, mandos intermedios y agentes de cambio dedicados ↩︎
Esto es, la transformación no tuvo éxito en mejorar el desempeño de la organización o en equiparla para mantener las mejoras en el tiempo. ↩︎
En las empresas más grandes (con ingresos anuales de 1 millardo (1000 millones) de dólares o más, el 15% de los encuestados informan de una transformación con éxito. En empresas con ingresos anuales de menos de un millardo, el 23% de los encuestados informan de éxito. ↩︎
En la encuesta anterior, realizada en noviembre de 2014, una cuota idéntica de encuestados (44%) dijo también que se moverían más rápido para contrarrestar la resistencia de las personas que se oponían a los cambios en marcha. ↩︎
Portada del libro en la edición de Debolsillo (Fuente: Penguin Libros)
Este libro que leí hace unas semanas es del género de aventuras, juvenil, ambientado en el Tibet y que, en mi opinión, está bastante influido por un par de libros (aparte de por la saga de Tintin), como una biografía de Siddharta Gautama (que solía leer y releer hace ya décadas) y «El Tercer Ojo», de T. Lobsang Rampa (que también leí unas cuantas veces hace todavía más décadas), con deudas bastante marcadas, o que me han llamado la atención, como si fuese un borgescito de poca monta, riéndose cuando Alberto Manguel le leía libros de clásicos y recordaba las conexiones con otros clásicos más recónditos aún.
No obstante lo anterior (o por eso, escribir algo nuevo es una ficción, no descubrimos ni inventamos, recordamos, en plan platónico), su prosa agradable se lee con facilidad y la historia fantasiosa que cuenta puede servir para evadirse a las alturas, volar en cometa, saber mucho Kung Fu milenario, cuidar del planeta, de las mujeres y de los pueblos indígenas. Los malos son muy malos, pero pagan su mal camino con un mal final y los jóvenes se enamoran poniéndose colorados.
Isabel Allende que nació en 1942, en Lima, Perú, pasó la primera infancia en Chile y vivió en varios lugares (Bolivia, Líbano) en su adolescencia y juventud. Después del golpe militar de 1973 en Chile contra Salvador Allende, primo hermano de su padre, el diplomático Tomás Allende, se exilió en Venezuela y desde 1987 vive como inmigrante en California. Se define como «eterna extranjera».
Isabel Allende tapando a medias su nombre escrito en la tapa de un libro. Fuente: Penguin Libros
Inició su carrera literaria en el periodismo, en Chile y en Venezuela. En 1982 su primera novela, La casa de los espíritus, se convirtió en uno de los títulos míticos de la literatura latinoamericana. A ella le siguieron otros muchos, todos los cuales han sido éxitos internacionales. Su obra ha sido traducida a cuarenta idiomas y ha vendido más de setenta millones de ejemplares, lo que la convierte la escritora más vendida en lengua española. (Por cierto ¿esto de escritora «más vendida» es como un insulto? ¿Lo que Rosa León le dedicaba a Pablo Neruda en «Pétalo» era un nombre o un verbo en imperativo? Yo y mis tonterías.)
Ha recibido más de sesenta premios internacionales, entre ellos el Premio Nacional de Literatura de Chile en 2010, el Premio Hans Christian Andersen en Dinamarca, en 2012, por su trilogía «Memorias del Águila y del Jaguar» y la Medalla de la Libertad en los Estados Unidos, la más alta distinción civil, en 2014. En 2018, Isabel Allende se convirtió en la primera escritora en lengua española premiada con la medalla de honor del National Book Award, en los Estados Unidos por su gran aporte al mundo de las letras, al mismo tiempo que un montón críticos sesudos (y a menudo machistas) la califican de mala escritora, de subliterata, de copia banal de Gabriel García Márquez, por lo del realismo mágico y porque ella se declaraba admiradora de Cien años de soledad (¿quién no lo admira?).
Alerta de spoiler (trama de la primera parte)
En el anterior libro de la saga, (habrá que hacer un post), una abuela y su nieto adolescente con una madre enferma de cáncer se meten en el amazonas y unos malos malotes quieren esquilmar a los indígenas (me da en la nariz que ya hemos conseguido esquilmar a los indígenas y erosionarnos el pulmón verde), pero estos indígenas saben hacerse invisibles y se ponen en contacto con la mitad buena de la expedición del International Geographic que paga a la abuela alcohólica, gruñona y fotógrafa para que haga un reportaje de la expedición liderada por un antropólogo cobarde y sabihondo (eso cree él) acompañado por esos malos malotes (los verdaderos líderes). El nieto jovenzuelo conoce a una indígena y se convierten en animales y ayudan a los indígenas porque los malotes los querían exterminar y todo sale bien, como por casualidad, y se adentran en sitios mágicos del Amazonas y encuentra un agua mágica que va a curar el cáncer de su madre. Así, como de memoria, un burdo resumen. Son cosas que te gusta leer cuando la vida se complica, para creer que hay maneras de librarse. Porque las hay, créetelo, las hay.
Alerta de spoiler (trama de la segunda parte)
El nieto ha salvado a su madre del cáncer y a la abuela el International Geographic vuelve a proponerle un proyecto, esta vez en el Tíbet. Van a buscar al Yeti, y a ver a los lamas budistas tibetanos, y hay una joya, el dragón de oro, que es una maravilla y una fuente de sabiduría muy deseable que unos malvados quieren. Conocen al emperador (¿cómo no?) que en realidad es muy sencillo, muy budista, pero sabe Kung-Fu, y más tarde a su heredero, que está aprendiendo Kung-fu y magiasss budistasss con un monje-soldado por ahí por las montañas, y ni la ventisca del Himalaya les perjudica. Los malos quieren el dragón de oro ese, el sobrino y su amiga del amazonas siguen enamorándose pero sin decidirse del todo, y el heredero se enamora de otra muchacha de la expedición, la que se sonroja. Hay una espía que intenta engañar al emperador para que le dé todas las claves del laberinto que lleva hasta el dragón. Y luego resulta que la estatua no es la joya, sino un conjuro que está apuntado debajo. La joya es una distracción. Y al final todo sale bien, pese a los peligros, menos para el malo que muere mal, con dolor. Los Yetis existen, por cierto, y están enfermos porque no comen bien, hasta que el monje soldado les recomienda un cambio en su dieta, y se convierten en sus aliados, un poco tontacos, pero fuertes y leales, para luchar contra los malos malotes. Otro de mis cutre-resúmenes de memoria que acaba de ser perpetrado, pero ¿qué haría yo sin estos raticos?
El lenguaje y algunos de sus giros que me chirrían como castellanoparlante maniático que gusta de hacer comentarios mientras se sube las gafas y se hace el listillo. Es como cuando oigo «obvio» por «obviamente», «¿Me escuchas?» por «¿Me oyes?» (esto me parece incluso agresivo, en cierto modo), «dejarse llevar de [alguien/algo]» por «dejarse llevar por [alguien/algo]» (esto no es del libro, es del reggaetón). Me creo que el idioma es mío, que hay que preservarlo, como si yo estuviese en la academia y como si yo supiese hablar. El lenguaje es de los hablantes, y por eso David F. Wallace (ya estamos otra vez citándolo) prefería el diccionario de Oxford al de Cambridge (¿o eran otros los diccionarios en liza?), porque recogía lo que los hablantes hacen con su lengua mientras los académicos empollones se escandalizan, los opresores intentan que perdure la opresión, también con el lenguaje. La gente se abre camino por los parques mal diseñados y acaban abriendo caminos más cortos y sensatos en medio de macizos de césped, y esos caminos acaban por consolidarse. Los diseños cuadriculados, impuestos, acaban por caer.
Estábamos en un mesón lleno de gente, corrientito, con jubilados, con críos chillando, camareros patosos, mucho jaleo, una comida mediocre. Éramos muchos, creo que estaba Kahlos y otros amigos aparte de la familia, uno de esos jaleos confusos en que no sabes cómo has terminado metido. Todo el mundo iba pidiendo y había un caos de cuentas de unos y otros. Yo quería pagar la cuenta y no había manera, me faltaban al respeto, no me hacían caso. El dueño, que era un señor mayor y lleno de experiencia, apuntaba tonterías como «huevos felices» y otro renglón de «huevos más infelices», pero no apuntaba bien los precios y cada cuenta era de una mesa distinta. Un jaleo insoportable. Iba buscando dónde pagar, pero había despachos con sillas con ruedas y ordenadores, muchas puertas, escalinatas que subían a algún sitio, hasta que por fin llegué a la barra.
Lo que dibuja stable diffusion si le digo «a crowded bar from southern spain with many people drinking and shouting, waiters coming and going and tapas dishes on the tables where the customers look angry and noisy, cured pork hams hanging from the ceiling»
Un camarero de los diez o doce que estaban por dentro de la barra en una especie de baile pogo con platos y tazas, voces y empujones me hizo saber a voz en grito que estorbaba en la barra, había un montón de papelitos medio arrugados en mi bolsillo y yo ya no recordaba cuáles eran los míos. Nadie me hacía caso, así que decidí largarme como si tal cosa. Bajé la escalinata de la entrada despacio al principio, pero después cada vez más rápido, hasta que recordé que había venido en autobús y este mesón estaba en el quinto pino. Me desperté de un sobresalto, el ventilador daba vueltas y lo primero que me pregunté ¿de verdad estás preocupado porque has hecho un sin-pa en sueños? Venga ya, hombre.
El interior del disco de Kick out the Jams de los MC5 traía dentro uno de esos peligrosos manifiestos anarquistas firmado por John Sinclair, Ministro de Información de las Panteras Blancas. Lo he transcrito aquí después de ver un post de Thurston Moore en Instagram que me puso las pilas en un momento de cierto bajón emocional. Dice lo siguiente, según mi traducción más o menos irrespetuosa con el contenido y los idiomas (por cierto, tratándose de los MC5, los panteras blancas, etc., no tendría que hacer falta avisar, pero en lo que sigue el lenguaje puede resultar ofensivo para alguien):
Los MC5 son algo íntegro. No hay forma de alcanzar la música sin adoptar también el contexto íntegro de la música – no hay separación. Decimos que MC5 es la solución del problema de la separación, por lo íntegros que son.
Los MC5 están totalmente comprometidos con la revolución, ya que la revolución está totalmente comprometida con sacar a la gente de sus cápsulas separadas para que los unos estén en brazos de los otros.
Hablo de la unidad, hermanos y hermanas, porque debemos lograrla juntos. Somos la solución, al problema, sólo con que queremos serlo. Si podemos sentirlo, LeRoi James dijo: «sentir predice la comprensión».
Los MC5 te harán sentirlo o abandonar la sala. Los MC5 te sacarán de quicio, de tu cabeza a tu cuerpo. Los MC5 son rock and roll. El rock and roll es la música nuestros cuerpos, de nuestras vidas al completo -el resentidizador, como lo llama Rob Tyner. Debemos unirnos, gente, «construir una multitud», o si no… Si no, estás muerto, y perdido.
Los MC5 te llevarán de vuelta a tus sentidos desde dondequiera que te hayas visto abocado a esconderte. Son malos. Sus vidas están dedicadas por entero a esta música. Son algo íntegro. Son un modelo funcional de la nueva cultura paleocibernética en acción. No hay separación. Viven juntos para trabajar juntos, comen juntos, follan juntos, se colocan juntos, van por la calle y por el mundo juntos. No hay separación. Igual que su música te reunirá de ese modo, si la oyes. Si deseas vivirla. Y nos aseguraremos de que la oigas, porque sabemos que te hace tanta falta como a nosotros. Tenemos que tenerla.
La música es el origen y la consecuencia de nuestra carne espiritual. Los MC5 son el origen y la consecuencia de la música, igual que tú.
Igual que yo. Sólo oír la música y lograr ser nosotros mismos, eso es lo que queremos. Lo que necesitamos. Somos gente solitaria y desesperada, separados por las fuerzas asesinas del capitalismo y la competición, y necesitamos la música para recomponernos. La separación es la perdición. Somos hombres libres, y requerimos una música libre, una fuente libre de alta energía que nos enardezca por las calles de América aullando y chillando y haciendo trizas todo lo que sigue esclavizando a la gente.
The music is the source and effect of our spirit flesh. The MC5 is the source and effect of the music, just as you are.
Los MC5 son esa fuerza. Los MC5 son la revolución con todas sus consecuencias. No hay separación. Todo es todo. No hay nada que temer. La música te hará fuerte, ya que es fuerte, y no habrá forma de detenerla ya. ¡Todo el poder para la gente! ¡Los MC5 están aquí y ahora para que los oigas y los veas ahora! Déjalo – recomponte – baja, hermanos y hermanas, es hora de dar testimonio, y lo que tenéis entre manos es un testimonio viviente del poder y la fuerza absolutos de estos hombres. ¡Sé salvaje! ¡El mundo es tuyo! ¡Tómalo y sé uno con él! ¡Kick out the jams, motherfucker! (¿»¡Fuera enredos, cabronazo!»?) ¡Y sigue vivo con los MC5!
John Sinclair, Minister of Information, White Panthers
Viernes 13 de diciembre de 1968, en el primer año de Zenta
Los 5 de la ciudad del motor en Tartar Field en 1970
La imagen destacada la he tomado de un artículo de The Guardian
En este enlace hay un artículo de Benjamin Cheatham, Kia Javanmardian y Hamid Samandari para McKinsey sobre la inteligencia artificial, sobre sacar más partido que perjuicio de aplicarla, con los riesgos que conlleva.
Joaquin Phoenix se enamoró de un bicho IA que además le era infiel con otro montón de humanos sometidos a la IA en Her (Spike Jonze, 2013). Fuente: FilmAffinity
Cómo enfrentarse a los riesgos de la inteligencia artificial
Por Benjamin Cheatham, Kia Javanmardian y Hamid Samandari
Un gran poder implica una gran responsabilidad. Las organizaciones pueden mitigar los riesgos de aplicar la inteligencia artificial y la analítica avanzada haciendo suyos tres principios. Recurso descargable (Artículo en PDF – 670KB)
La inteligencia artificial (AI, por sus siglas en inglés) está demostrando ser una espada de doble filo. Mientras que esto puede decirse de la mayoría de las nuevas tecnologías, los dos filos de la AI son mucho más afilados, y ninguno de los dos se ha entendido bien.
Hablemos en primer lugar de lo positivo. Estas tecnologías están empezando a mejorar nuestras vidas de mil maneras, desde simplificar nuestras compras hasta realzar nuestras experiencias de cuidado de la salud. Su valor para el negocio también se ha hecho innegable: casi el 80 por ciento de los ejecutivos de las empresas que están desplegando la AI recientemente nos han dicho que ya están viendo un valor moderado en ello. Aunque el uso extendido de la AI en los negocios está todavía en su infancia y quedan pendientes preguntas sobre el ritmo del progreso, así como la posibilidad de alcanzar el santo grial de la «inteligencia general», el potencial es enorme. La investigación de McKinsey Global Institute sugiere que en 2030, la AI podría arrojar un resultado económico adicional global de 13 millardos de dólares al año.
Sin embargo, aunque la AI genera beneficios para los consumidores y valor de negocio, también está haciendo aflorar un conjunto de consecuencias no deseadas, incluso graves. Y aunque en este artículo nos estamos centrando en la AI, estos impactos (y las formas de prevenirlos o mitigarlos) se aplican por igual a toda la analítica avanzada. Los más visibles, que incluyen violaciones de la privacidad, discriminación, accidentes y manipulación de sistemas políticos son más que suficientes para requerir precaución. Aún más preocupantes son las consecuencias que todavía no se han conocido o experimentado. Cabe la posibilidad de repercusiones desastrosas -incluyendo la pérdida de vidas humanos, si un algoritmo médico de AI falla, o riesgos sobre la seguridad nacional, si un adversario introduce desinformación a un sistema de AI militar- al igual que de desafíos significativos para las organizaciones, como el daño a la reputación de la compañía, pérdidas de ingresos o reacciones normativas nefastas, investigaciones criminales y una reducción de la confianza del público.
Como la AI es una fuerza relativamente nueva en los negocios, pocos líderes han tenido la oportunidad de afinar su intuición sobre el alcance completo de los riesgos societarios, organizativos e individuales, o de desarrollar un conocimiento práctico de las palancas que lleva asociadas, que van desde los datos que se le suministran a los sistemas AI hasta la operación de modelos algorítmicos y las interacciones entre los humanos y las máquinas. A consecuencia de esto, los ejecutivos suelen pasar por alto los peligros potenciales («No estamos utilizando la AI en nada que podría ‘reventar’, como coches autónomos») o sobrevalorar la capacidad de mitigar riesgos de una organización («Hemos estado haciendo analítica mucho tiempo, así que ya tenemos los controles correctos deseplegados, y nuestras prácticas están alineadas con las del resto del sector»). También es frecuente entre los líderes agrupar indiscriminadamente los riesgos de la AI con otros que son competencia de especialistas de TI y analítica («Confío en mi equipo técnico: están haciendo to lo posible para proteger a nuestros clientes y nuestra empresa»).
Los líderes que aspiran a evitar, o al menos mitigar, las consecuencias indeseadas deben tanto construir sus habilidades de reconocimiento de patrones con respecto a los riesgos de la AI como comprometer a toda la organización para que esté lista para acoger el poder y la responsabilidad asociados con la AI. El nivel de esfuerzo necesario para identificar y controlar todos los riesgos clave excede las normas previamente existentes en la mayoría de las organizaciones. Hacer progresos significativos exige un planteamiento multidisciplinar que involucre a los líderes del comité de dirección y todos los ámbitos de la empresa; a expertos en áreas que van desde jurídico y riesgos hasta TI, seguridad y analítica, y gerentes que puedan asegurar que se mantiene la vigilancia en todos los frentes.
Este artículo intenta ayudar ilustrando, en primer lugar, un conjunto de peligros que es fácil pasar por alto. A continuación presenta esquemas de trabajo que ayudarán a los líderes a identificar sus mayores riesgos y a implementar la amplitud y profundidad de controles matizados que hacen falta para evitarlos. Por último, proporciona un primer vistazo a algunos esfuerzos del mundo real que están actualmente en marcha para abordar los riesgos de la AI por medio de la aplicación de estos planteamientos.
Antes de continuar, queremos subrayar que nuestro enfoque aquí está centrado en las consecuencias de primer orden que surgen directamente del desarrollo de soluciones de IA, de su mal uso (inadvertido o intencionado), o del manejo incorrecto de las entradas de datos que las impulsan. Hay otras consecuencias importantes, entre las cuales está el muy comentado potencial de amplias pérdidas de puestos de trabajo en algunos sectores debido a la automatización del puesto de trabajo guiada por la IA. También hay efectos de segundo orden, como la atrofia de las capacidades (por ejemplo, las habilidades de diagnóstico de los profesionales médicos) a medida que crezca la importancia de los sistemas de IA. Estas consecuencias seguirán recibiendo atención a medida que crezca su importancia percibida, pero están fuera del alcance de este artículo.
Comprender los riesgos y sus palancas
Cuando algo va mal con la IA, y la causa raíz del problema sale a la luz, suele haber muchas sacudidas de cabeza. A toro pasado parece inimaginable que nadie lo viese venir. Pero si encuestas a ejecutivos bien posicionados sobre el próximo riesgo de la IA que es probable que aparezca, es muy poco probable que obtengas algún tipo de consenso.
Los líderes que tienen la esperanza de cambiar su postura desde la retrospectiva hacia la prospectiva tendrán que entender mejor los tipos de riesgos que están asumiendo, sus interdependencias y sus causas subyacentes. Para ayudar a constuir esa intuición que falta, describimos más abajo cinco puntos de dolor que pueden dar entrada a riesgos de la IA. Los tres primeros -dificultades de datos, problemas tecnológicos y fallos de seguridad- están relacionados con lo que podrían llamarse habilitadores de la IA. Los dos últimos están enlazados con los algoritmos y las interacciones humano-máquina que son centrales al funcionamiento de la propia IA. Claramente, estamos todavía en los primeros días de la comprensión de qué hay detrás de los riesgos que estamos asumiendo, cuya naturaleza y alcance también hemos catalogado en el Diagrama 1.
Diagrama 1
Consecuencias indeseadas de la IA (traducido a partir de McKinsey)
Dificultades de datos. Ingerir, clasificar, enlazar y utilizar apropiadamente los datos se ha vuelto cada vez más difícil a medida que la cantidad de datos no estructurados que se ingieren desde orígenes como la web, las redes sociales, los dispositivos móviles, los sensores y el Internet de las cosas ha aumentado. Como consecuencia, es fácil ser presa de tropiezos como usar o revelar de forma inadvertida información sensible oculta entre datos anonimizados. Por ejemplo, mientras el nombre de un paciente puede estar censurado en un registro medico que utilizar un sistema de IA, podría estar presente en la sección de notas del doctor de dicho registro. Es importante que los líderes sean conscientes de estas consideraciones cuando trabajan para cumplir las reglas de privacidad, como la regulación general de protección de datos de la Unión Europea (GDPR por sus siglas en inglés) o la ley de intimidad de los consumidores de California (CCPA), y de otro modo gestionar el riesgo para su reputación.
Problemas tecnológicos. Los problemas de tecnología y procesamiento en todo el panorama operativo pueden impactar negativamente sobre el rendimiento de los sistemas de IA. Por ejemplo, una gran institución financiera tuvo graves problemas después de que su sistema de cumplimiento normativo fallase al identificar problemas de transacciones porque los historiales de datos dejaron de incluir todas las transacciones de los clientes.
Enganches de seguridad. Otro problema emergente es el potencial de que los defraudadores saquen partido de datos aparentemente poco sensibles de marketing, salud y financieros que las empresas recopilan como combustible de sus sistemas de IA. Si las precauciones de seguridad son insuficientes, es posible tejer esos hilos para crear falsas identidades. Aunque las empresas objetivo (que desde los demás puntos de vista pueden ser altamente efectivas en la salvaguarda de la información personal identificable) sean cómplices sin saberlo, podrían sufrir el rechazo de los consumidores y repercusiones normativas.
Mal comportamiento de los modelos. Los modelos de IA en sí mismos pueden crear problemas cuando ofrecen resultados sesgados (lo que puede ocurrir, por ejemplo, si un sector de la población está poco representado en los datos utilizados para entrenar al modelo), se vuelven inestables o arrojan conclusiones para las que no hay posibilidad de réplica por los afectados por sus decisiones (como alguien a quien se le deniega un préstamo sin que sepan lo que podrían hacer para revertir la decisión). Pensemos, por ejemplo, en el potencial de que los modelos de IA discriminen de forma involuntaria contra clases en riesgo de exclusión y otros grupos al cruzar el código postal y los datos de ingresos para crear ofertas segmentadas. Son más difíciles de detectar los casos en que los modelos se cuelan como ofertas de software como un servicio (SaaS). Cuando los proveedores las presentan, las características inteligentes -a menudo con poco bombo y platillo- también están introduciendo modelos que podrían interactuar con datos en el sistema del usuario y crear riesgos inesperados, incluidos los que saquen a la luz vulnerabilidades ocultas que los hackers podrían explotar. La implicación es que los líderes que crean que están fuera de peligro si no han adquirido sistemas de IA previamente construidos o que sólo están experimentando con su desarrollo, podrían estar en un error.
Problemas de interacción. La interfaz entre las personas y las máquinas es otra zona de riesgo clave. Entre los más visibles están los retos del transporte, la fabricación y los sistemas de infraestructuras automatizados. Los accidentes y las lesiones son posibilidades si los operadores de maquinaria pesada, vehículos u otra maquinaria no reconocen cuándo los pilotos automáticos de los sistemas deberían desactivarse o tardan mucho en desactivarse porque la atención del operador están en otra parte -una posibilidad nítida en aplicaciones como las de los coches autónomos. Y al contrario, el juicio humano puede resultar erróneo al desestimar los resultados del sistema. Entre bambalinas, en la organización de la analítica de datos, errores de programación, lapsus en la gestión de datos y errores de apreciación en los datos de entrenamiento de los modelos pueden comprometer fácilmente la equidad, intimidad, seguridad y cumplimiento regulatorio. El personal de primera línea puede además contribuir involuntariamente, como cuando una fuerza de ventas más proclive a vender a ciertos segmentos de la población entrena de forma inadvertida una herramienta de ventas conducida por la IA a excluir a ciertos segmentos de la clientela. Y estas son sólo las consecuencias involuntarias. Sin salvaguardas rigurosas, empleados despechados o enemigos externos pueden llegar a corromper los algoritmos o usar una aplicación de IA de forma perniciosa.
Gestión de riesgos de la IA: Tres principios básicos
Además de proporcionar pistas sobre los desafíos que se avecinan, los ejemplos y la categorización mostrados arriba son útiles para identificar y priorizar los riesgos y sus causas raíz. Si comprender dónde los riesgos pueden estar latentes, mal comprendidos o simplemente no identificados, tienes más posibilidades de atraparlos antes de que ellos te atrapen a ti.
Pero necesitarás un esfuerzo concentrado, a escala empresarial, para avanzar desde catalogar riesgos hasta erradicarlos. Las experiencias de dos bancos líderes ayudan a ilustrar la claridad, amplitud y rigor matizado que se requieren. El primero, un actor Europeo, ha estado trabajando para aplicar capacidades de analítica avanzada e IA para optimizar su centro de atención telefónica, la toma de decisiones acerca de las hipotecas, la gestión de relaciones y las iniciativas de gestión de tesorería. El segundo es un lider global, que busca aplicar un modelo de aprendizaje automático a sus decisiones de crédito a los clientes.
Estos bancos, como muchos otros en el sector de los servicios financieros, han estado aplicando alguna forma de analítica avanzada durante cierto número de años, desde su uso temprano en la detección de fraude con tarjeta de crédito y comercio de acciones. También están sujetos a un alto grado de supervisión regulatoria y por ello han estado aplicando y haciendo transparente un amplio rango de protocolos y controles para mitigar los riesgos relacionados -incluyendo el de ciberseguridad, donde están frecuentemente en primera línea de fuego dado el obvio atractivo de sus activos para los atacantes.
Sin embargo, estas historias de bancos sólo ilustran un subconjunto de los controles específicos contra riesgos que las organizaciones deberían estar considerando. El Diagrama 2 presenta una lista más completa de posibles controles, cubriendo todo el proceso de analítica, desde la planificación al desarrollo, el uso subsiguiente y la monitorización. Nuestra esperanza es que tomada en su conjunto, la herramienta y los ejemplos ayudarán a los líderes que deben afrontar un amplio rango de problemas -evitar el sesgo en motores de recomendación, eliminar el riesgo de identidades personales, adaptar mejor las respuestas de los bots de atención al cliente a las necesidades de clientes concretos, y muchos más.
Diagrama 2
Claridad: Usa un planteamiento estructurado de identificación para precisar los riesgos más críticos.
El COO de un banco europeo empezó reuniendo líderes del negocio, TI, seguridad y gestión de riesgos para evaluar y asignar prioridades a sus mayores riesgos. Las entradas para este ejercicio incluían una mirada nítida a los riesgos existentes de la empresa y cómo podrían exacerbarse por los esfuerzos de analítica guiada por IA considerados, y a los nuevos riesgos que los facilitadores de la IA, o la propia IA, podrían crear. Algunos eran evidentes, pero otros lo eran menos. Uno que se acercó a la cima de la lista de forma inesperada fue la entrega de recomendaciones pobres o sesgadas de productos a los consumidores. Tales recomendaciones defectuosas podrían desembocar en un aumento significativo de los daños y perjuicios, incluyendo la pérdida de clientes, devaluación de la reputación y multas por incumplimientos.
Lo que los líderes del banco lograron con este proceso estructurado de identificación de riesgos fue una gran claridad sobre los escenarios más preocupantes, lo que les permitió asignar prioridades a los riesgos identificados, reconocer los controles que faltaban y a asignar tiempo y recursos en consecuencia. Esos escenarios y riesgos priotarios variarán en cada sector, como es natural, y en cada empresa. Un manufacturero alimentario podría dar prioridad a los escenarios de productos contaminados. Un desarrollador de software podría estar especialmente preocupado por la revelación del código fuente del software. Una organización de cuidados sanitarios podría centrarse en problemas como errores de diagnóstico de los pacientes o causar daños de forma inadvertida a los pacientes. Poner a un equipo transversal gerentes a identificar y desmenuzar escenarios problemáticos es un buen modo de estimular la energía creativa y de reducir el riesgo de que personal muy especializado o estrecho de miras pasen por alto vulnerabilidades relevantes. Las organizaciones no tienen porqué empezar de cero con este esfuerzo: En los últimos pocos años, la identificación de riesgos se han convertido en una disciplina bien desarrollado, y puede desplegarse de forma directa en el contexto de la IA.
Transversalidad: Establecer controles robustos a lo largo y ancho de la empresa
Afilar tu pensamiento sobre riesgos que podrían detener el espectáculo es sólo un comienzo. También es crucial la aplicación de controles que abarquen toda la empresa para guiar el desarrollo y el uso de sistemas de IA, asegurar una supervisión correcta, y establecer políticas, procedimientos, formación del personal y planes de contingencia robustos. Sin esfuerzos con una amplia base, aumentan las probabilidades de que los factores de riesgo como los descritos previamente se abran paso por las brechas.
Preocupados por el riesgo potencial procedente de recomendaciones erróneas o sesgadas, el banco europeo comenzó a adoptar un conjunto robusto de principios de negocio orientados a detallar cómo y dónde las máquinas pueden utilizarse para tomar decisiones que afectan a la salud financiera de un cliente. Los gestores identificaros situaciones donde un ser humano (por ejemplo, un gestor comercial o un responsable de préstamos) necesitan estar «en el bucle» antes de que se entregue una recomendación al cliente. Estos trabajadores proporcionarían una red de seguridad para identificar si un cliente tiene circunstancias especiales, como el fallecimiento de un miembro de la familia o dificultades financieras, que harían que una recomendación fuese inoportuna o inapropiada.
El comité de supervisión del banco también realizó un análisis de brechas, identificando las áreas en que el marco de trabajo de gestión de riesgos del banco necesitaban una profundización, una redefinición o una extensión. Una gobernanza exhaustiva y consistente en el banco asegura actualmente la definición adecuada de las políticas y procedimientos, controles específicos para los modelos de IA, principios fundamentales (apoyados en herramientas) para guiar el desarrollo de modelos, una segregación de cometidos, y una supervisión adecuada. Por ejemplo, las herramientas de desarrollo de modelos aseguran que los científicos de datos registran de forma consistente el código de los modelos, los datos de entrenamiento y los parámetros seleccionados a lo largo del ciclo de vida del desarrollo. También se adoptaron librerías estándar para facilitar la explicabilidad, informar del desempeño de los modelos y monitorizar los datos y modelos en productivo. Este marco de gobierno está demostrando un valor incalculable tanto para los esfuerzos internos de desarrollo de IA como para evaluar y monitorizar herramientas de IA de terceros como un modelo SaaS que el banco había contratado.
Además, las políticas del banco requieren ahora que todos los grupos de interés, incluyendo a los ejecutivos de negocios patrocinadores, que desarrollen una planificación de escenarios y un plan de restablecimiento para el caso en que un modelo de IA vaya a la deriva, que los datos de entrada tengan un salto inesperado, o que ocurran cambios repentinos como un desastre natural en el entorno exterior. Estos planes de restablecimiento se incluyen en el proceso regular de revisión de riesgos, dando al comité de riesgos visibilidad sobre los pasos que se están tomando para mitigar los riesgos guiados por la analítica o relacionados con la IA.
La formación y concienciación del personal son también actuaciones destacadas en el plan de mitigación de riesgos del banco. Todos los empleados afectados reciben comunicaciones detalladas sobre dónde se está usando la IA; qué pasos está dando el banco para asegurar decisiones justas y precisas y para proteger los datos de los clientes; y cómo el modelo de gobierno del banco, la tecnología automatizada y las herramientas de desarrollo funcionan de forma coordinada. Además, los patrocinadores de negocio, los equipos de riesgos y el personal de analítica reciben una formación específica acerca de su rol en identificar y minimizar riesgos. Por ejemplo, los patrocinadores de negocio están aprendiendo a pedir explicaciones sobre el comportamiento d elos modelos, los cuales están usando para realimentar el proceso acerca de las suposiciones de negocio que hay detrás del modelo. Mientras tanto, el equipo de riesgos se ha entrenado sobre cómo identificar y mitigar mejor los problemas legales y de cumplimiento normativo, como la posible discriminación contra grupos protegidos o el cumplimiento de la GDPR.
La monitorización de la analítica guiada por IA es un esfuerzo continuado, más que una actividad que se ejecute y se pueda dar por concluida.. Como tal, los grupos de supervisión del banco, incluidos los comités de riesgos de la directiva, revisan con regularidad el programa para estar al corriente de nuevos riesgos que puedan haber emergido como consecuencia de cambios regulatorios, rupturas en el sector, interpretaciones legales (como el ejemplo de la emergente ley GDPR), evolución en las expectativas de los clientes y la los rápidos cambios tecnológicos.
Matiz: Refuerza los controles específicos dependiendo de la naturaleza del riesgos.
Por importantes que sean los controles transversales en la empresa, rara vez serán suficientes para contrarrestar cada posible riesgos. Otro nivel de rigor y matiz suele ser necesario, y los controles requeridos dependerán de factores como la complejidad de los algoritmos, sus requisitos de datos, la naturaleza de la interacción humano-máquina (o máquina-máquina), el potencial de explotación por agentes malintencionados y el grado de implantación de la IA en un proceso de negocio. Los controles conceptuales, comenzando por un diagrama de casos de uso, pueden ser necesarios en ocasiones. También lo serán los controles específicos de datos y analítica, incluidos los requisitos de transparencia, así como los controles para la realimentación y monitorización, como los análisis de rendimiento para detectar su deterioro o su sesgo.
Nuestro seegundo ejemplo arroja una valiosa luz sobre los controles matizados. Esta institución quería visualizar cómo exactamente un modelo de aprendizaje automático estaba tomando decisiones para un proceso concreto orientado al cliente. Después de sopesar cuidadosamente los requisitos de transparencia, la institución decidió mitigar el riesgo limitando los tipos de algoritmos de aprendizaje automático que utilizaba. Deshabilitar ciertas formas del modelo que eran excesivamente complejas y opacas permitió a la institución alcanzar un cómodo equilibrio. Se había perdido algo de potencia predictiva, lo que conllevaba costes económicos. Pero la transparencia de los modelos que se utilizaron dio a la plantilla más confianza en las decisiones que tomaban. Los modelos más sencillos también hacen que sea más sencillo comprobar que tanto los datos como los modelos no presenten sesgos que podrían surgir a partir del comportamiento de los usuarios o cambios en las variables de datos o sus ponderaciones.
Como sugiere este ejemplo, las organizaciones necesitarán una mezcla de controles específicos de cada riesgo y les conviene implementarlos creando protocolos que seguran que estén desplegados y supervisados a lo largo de todo el proceso de desarrollo de IA. Las instituciones de nuestros ejemplos implantaron esos protocolos, así como protocolos transversales a toda la organización, al menos en parte, a través de su infraestructura de riesgos existente. Las empresas que carecen de una organización centralizada de riesgos aún pueden poner en funcionamiento estas técnicas de gestión del riesgo de la IA utilizando procesos robustos de gestión de riesgos.
Aún queda muco que aprender sobre los riesgos potenciales que las organizaciones, individuos y la sociedad afrontan en lo que se refiere a la IA; sobre el equilibrio adecuado entre la innovación y el riesgo y sobre el despliegue de mecanismos de control para gestionar lo inimaginable. Hasta el momento, la reacción de la opinión pública y la normativa han sido relativamente moderadas.
Pero es probable que esto cambie si hay más organizaciones que tropiecen. A medida que crezcan los costes de los riesgos asociados a la IA, la capacidad de tanto evaluar esos riesgos como de comprometer a los trabajadores de todos los niveles en definir e implantar controles se convertirán en una nueva fuente de ventaja competitiva. En el horizonte, para muchas organizaciones, está una re-conceptualización de la «experiencia del cliente» para atender tanto la promesa como las trampas de los resultados de la IA. Otro imperativo es del de comprometerse en un debate serio sobre la ética de aplicar la IA y dónde trazar líneas que limiten su uso. La acción colectiva, que podría involucrar un debate a nivel sectorial sobre la autorregulación y el compromiso con los legisladores tiene también visos de ganar importancia. Las organizaciones que cultiven esas capacidades estarán mejor posicionadas para prestar servicios con efectividad a sus clientes y a la sociedad, para evitar problemas éticos, de negocio, de reputación y regulatorios, y para prevenir una potencial crisis existencial que podría poner de rodillas a la organización.
Sobre los autores
Benjamin Cheatham es un socio senior de la oficina de McKinsey en Philadelphia y dirige QuantumBlack, una empresa McKinsey, en Norteamérica. Kia Javanmardian es socio senior en la oficina de Washington, DC y Hamid Samandari es un socio senior partner en la oficina de Nueva York.
Los autores quieren agradecer a Roger Burkhardt, Liz Grennan, Nicolaus Henke, Pankaj Kumar, Marie-Claude Nadeau, Derek Waldron y Olivia White sus contribuciones a este artículo.
Blog de Simón Pulido 