¿Qué hace a un líder ideal? Tradicionalmente, podríamos decir asertividad, certeza, decisión. Eso es porque tradicionalmente las empresas han premiado la confianza.
Como humanos, todos entendemos que hay incertidumbre en el mundo: cada situación presenta una distribución probabilística de resultados potenciales, pero mostramos cualquier cosa que se acerque a una duda en un entorno empresarial y alentamos más preguntas o, peor aún, preguntas sobre nuestra capacidad. Entonces aprendemos a proyectar confianza y certeza en torno a un resultado específico. Pero incluso el líder más autoritario a menudo adivina al tomar decisiones.
Sin embargo, a medida que la inteligencia artificial continúa avanzando hacia la corriente principal, muchos líderes descubren que necesitan aprender una nueva forma de liderar. Los sistemas de IA en su mayor parte producen probabilidades matemáticas de ciertos resultados o recomendaciones. Para los líderes, esto significa ajustar la forma en que nos comunicamos sobre el futuro y cómo se toman las decisiones.
A medida que las empresas adoptan tecnologías de IA, los líderes deben aceptar la incertidumbre, reconocer nuestras limitaciones y pensar de manera diferente. La toma de decisiones probabilística, es decir, decisiones que consideran la posibilidad de resultados alternativos, es el núcleo de este nuevo enfoque. Y aquellos de nosotros que adoptemos un estilo de liderazgo que complemente esta tecnología obtendremos una ventaja competitiva en la era de la IA. Aquellos que no lo hagan podrían tener millones de dólares en datos fluyendo a través de su organización y nunca ser capaces de capitalizarlos.
¿Qué es la toma de decisiones probabilística?
La mentalidad determinista que actualmente gobierna la mayoría de las empresas intenta acabar con la incertidumbre. Las decisiones se desempaquetan como, ¿estuvo bien o mal? ¿Quién tomó finalmente esa decisión? ¿Deberían estar en ese papel?
Los modelos de IA y aprendizaje automático (ML) requieren un conjunto diferente de preguntas. No sopesan simplemente “correcto” o “incorrecto”, los modelos de IA son probabilísticos y brindan una visión de la probabilidad matemática de la incertidumbre. Si se superponen la intuición y la experiencia humanas, de repente se tiene un debate muy interesante e informado, con información procesable proporcionada por adelantado, a diferencia de los datos atrasados que todos estamos acostumbrados a diseccionar.
En otras palabras, ya no se trata de preguntar quién tomó la decisión “equivocada” y si debería estar en ese rol. En cambio, es; “Si el modelo cree que es muy poco probable que necesitemos ese nivel de inventario, ¿por qué no lo recomienda?”.
Esto nos da la oportunidad de hacer preguntas antes de un evento, comprender los problemas más rápidamente e identificar cualquier suposición incorrecta. Más que eso, tiene un gran impacto en el empoderamiento de los equipos. Por un lado, los empleados ya no están a merced de un jefe que insiste en que “lo que digo vale”. Los buenos sistemas probabilísticos también ayudarán a los líderes a detectar sus propios sesgos, o los de sus equipos, al asumir ciertos tipos de resultados. Fundamentalmente, los equipos tienen una nueva libertad para cuestionar el proceso y realizar mejoras que impulsarán el éxito comercial. Tienen la información que necesitan por adelantado y no tienen que cuantificar una corazonada o una decisión instintiva que no resultó como se esperaba.
Formas en que las empresas pueden adoptar el pensamiento probabilístico
Los datos necesarios para la toma de decisiones probabilísticas ya se están moviendo a través de un negocio, pero la mayoría no los está aprovechando en todo su potencial. Muy pocas empresas están utilizando un proceso de decisión probabilístico en todas las funciones, aunque estamos viendo avances en áreas como la previsión, el mantenimiento de activos y la predicción de fallas.
El pronóstico del tiempo es un ejemplo de decisión probabilística con el que probablemente todos estamos familiarizados. Los pronósticos del tiempo tienden a compartirse con una probabilidad de ese resultado; por ejemplo, al predecir la trayectoria de un huracán, los pronosticadores incluyen una variedad de posibles trayectorias y resultados. Esto permite la preparación para emergencias y significa que las personas y los servicios de emergencia tienen una idea de la gama total de posibilidades y pueden planificar en consecuencia. Estos caminos están determinados por modelos matemáticos e interpretados por expertos humanos. También son realmente útiles como ‘usuarios finales’ o ‘consumidores’.
Entonces, ¿cómo nosotros, como líderes, damos el salto de ejemplos familiares de probabilidad en nuestra vida cotidiana para incorporarlo en nuestros equipos y organizaciones? Es una respuesta engañosamente simple: hacer preguntas.
El primer paso hacia cualquier cambio es tener curiosidad sobre su funcionamiento interno. En este caso, cómo se recopilan, conservan y modelan los datos. Si no hay datos, entonces esa es la primera pregunta que debe hacerse; “¿Por qué no tenemos ningún dato sobre esto?”.
Si hay datos disponibles, ¡entonces las preguntas son prácticamente ilimitadas! Diferentes empresas, incluso diferentes equipos dentro de esas empresas, se encuentran en diferentes etapas de alfabetización de datos ; y dónde se sientan en una escala de madurez determinará las preguntas que debe hacer. Para aquellos que aún se encuentran en las primeras etapas de su viaje de IA, la pregunta podría ser “¿Confiamos en los datos que tenemos sobre esto?”. Por lo general, varios equipos dentro de una empresa registran los mismos puntos de datos y, a menudo, existen discrepancias entre los dos informes. Encontrar una ‘fuente única de verdad’, es decir, datos que todos estén de acuerdo en que son precisos, es un primer paso importante para comprender un resultado.
Por el contrario, los equipos más maduros podrán explicarle los modelos que han utilizado. Las preguntas que se deben hacer aquí son: “¿Por qué usamos este modelo?”; “¿Hay algún sesgo que debamos tener en cuenta y podría mitigarse utilizando un modelo o enfoque diferente?”.
Una palabra de advertencia para los usuarios menos técnicos que buscan ‘inclinarse’ y aprender: asegúrese de abordar la situación declarando explícitamente que realmente está buscando aprender y con un marco de curiosidad. Si la gente de datos sospecha que está allí para criticar, criticar o juzgar su trabajo, ¡y es posible que tenga un motín en sus manos! En su lugar, haga preguntas y participe en la experiencia de aprendizaje: busque términos que no entienda, pregunte qué técnica está utilizando el equipo y lea el documento.
Adoptar la IA en su negocio
Recuerde, está en el mismo equipo que esa gente de datos, y esa es una distinción importante. Cuando se trata de IA, los equipos interfuncionales son consistentemente más exitosos y más rápidos. Poner en producción grandes proyectos de IA con impacto comercial requiere un equipo con múltiples habilidades que pueda infundir el proceso de creación de modelos con intuición comercial, conocimiento y experiencia a lo largo de la construcción; y, en última instancia, líderes comerciales que pueden actuar sobre los resultados del modelo.
Se necesita un equipo con conocimientos técnicos para construir el modelo y experiencia comercial para comprender sus predicciones y cómo actuar en consecuencia. Si alguna parte de este proceso ocurre en silo, los resultados tienden a ser de menor calidad, retrasados y, a menudo, irrelevantes (¡es una de las razones por las que muchos proyectos de ML no pasan a producción!).
Un futuro en el que la IA esté integrada en nuestras organizaciones está más cerca de lo que pensamos, y se necesitarán líderes visionarios para apoyar esa transición. Los líderes más exitosos, los que prosperan en un negocio impulsado por IA, serán aquellos de nosotros que inviertan un nivel de curiosidad en el proceso y estén en un viaje para aprender bastante sobre el tema, en lugar de subcontratar esa alfabetización. No es necesario ser un experto, pero sí ser curioso.
Fuente:
Editor’s Choice. (2022s, mayo 5). Tech leaders need a new approach to maximise AI value. Information Age. Recuperado 9 de mayo de 2022, de https://www.information-age.com/tech-leaders-need-new-approach-to-maximise-ai-value-123499303/