Juan Domingo Farnós (((TRABAJO DE INVESTIGACIÓN)))

¿Cómo explicar a las pequeñas empresas que con la Inteligencia artificial podemos mejorar los procesos de trabajo y micro aprendizaje para desarrollar una mayor productividad, funcionamiento y estructuración?

Las pequeñas empresas pueden usar la Inteligencia Artificial para mejorar los procesos de trabajo y el micro aprendizaje, lo que les permitirá aumentar su productividad y comercialización Esto se logra mediante la implementación de sistemas de información, innovación y procesos de inteligencia de negocios así como la transformación del trabajo y el empleo en la era de la inteligencia artificial.

En las películas y en los libros de ciencia ficción podemos ver máquinas que son más inteligentes que los humanos. Estos ordenadores y robots brillantes pueden ser una bendición o una maldición. Funcionan con tecnología de la inteligencia artificial (IA).

La IA ya forma parte de la realidad. La usamos en nuestra vida cotidiana. Las empresas ya están aprovechando sus ventajas.

¿Y las pequeñas empresas? ¿Qué papel desempeña en tu empresa? ¿Es IA adecuada para tu pequeña empresa?

AI y aprendizaje automático para la pequeña empresa

¿Qué es IA?

Algo tiene IA cuando puede procesar información sin un cerebro orgánico. No está vivo, pero puede organizar información. Puede hacerlo como resultado del aprendizaje automático.

¿Qué es el aprendizaje automático?

El aprendizaje automático es el proceso de enseñarle a una máquina cómo reaccionar frente a algunos tipos de datos. Es un proceso simple, pero se convierte en complejo cuando se añade más información.

Cómo puedo usar IA para optimizar mi pequeña empresa?

Imagínate que eres el dueño de una floristería y que tienes un sitio web. Si un cliente busca “flores rojas” en tu sitio, tú le enseñas al sitio cómo debe responder. Puedes enseñarle a mostrar al cliente rosas, tulipanes y margaritas gerberas.

¿Qué ocurre si es época festiva? Podrías decirle que en noviembre o diciembre le muestre también a los clientes flores de pascua, cactus de navidad y lirios de Argel. También podrías enseñarle a informar a los clientes de que has hecho coronas de navidad.

La máquina no sabe nada hasta que se programa con la información adecuada. No piensa de manera exacta; responde a afirmaciones de tipo “si es así” o “si no es así”.

Cómo piensa la IA

La programación de IA “piensa” así:

Si el cliente quiere flores rojas, muéstrales rosas, tulipanes y margaritas gerberas. ¿Es noviembre o diciembre? Si es así, muéstrales las opciones festivas. Si no, no le muestres más flores.

En una IA más compleja existe un gran número de cálculos tipo “si es así” y “si no es así”. Si le pides a un dispositivo GPS la ruta más rápida a una ubicación, rápidamente mirará muchas orígenes de datos. Si vas por la Gran Vía, ¿te encontrarás tráfico, condiciones viarias problemáticas o retrasos relacionados con el tiempo?

El GPS le preguntará a otras IA como bases de datos de transportes y fuentes de información del tiempo que conocen. Estos sitios también responderán en función de la información “si es así” y “si no es así” que están recopilando.

Estas IA tienen cámaras que muestran la velocidad del tráfico en la Gran Vía y, por lo tanto, pueden decirle al GPS la velocidad del tráfico. Después, tus GPS pueden comparar el índice de tráfico en la Gran Vía con el de otras calles.

No importa lo complicado que parezcan los resultados, son simplemente el resultado de “si es así”, haz esto; “si no es así”, haz así.

Es importante acordarse de esto para no sentirnos intimidados por este tema.

¿Las máquinas piensan?

Las máquinas pueden procesar algunas fuentes de información más rápido que nosotros. Sin embargo, las máquinas dependen de nosotros para que le enseñemos a procesar los datos.

La inteligencia artificial ya ha parecido una cosa de ficción científica, pero hoy en día es parte del día a día de la gran población y ha estado cambiando la forma en que muchas empresas invierten en tecnología.

Antes una idea aterradora, como el HAL 9000 o Skynet, hoy se ha convertido en un gran aliado para agilizar la rutina y hacer la vida más fácil, como es el caso de Alexa. Así que no es de extrañar que las empresas estén invirtiendo fuertemente en inteligencia artificial para mejorar aún más su productividad y relaciones con los clientes.

Para demostrar la popularidad de esta solución, y también que sigue siendo una tendencia fuerte en los próximos años, continúe leyendo nuestro contenido especial sobre IA.

¿Qué es inteligencia artificial?

Aunque siempre imaginamos un robot con su propia personalidad, la inteligencia artificial se define como la capacidad de hacer que las máquinas simulen nuestro razonamiento humano, haciéndoles entender la información para usarla en su proceso de toma de decisiones y resolver problemas de una manera similar a como lo hacemos.

Un ejemplo de esto, que ha sido ampliamente utilizado en la mejora de la inteligencia artificial, es el ajedrez. El juego implica un razonamiento lógico puro y siempre se utiliza para demostrar la capacidad de aprendizaje de nuevas tecnologías y algoritmos de inteligencia artificial. Por cierto, ¿sabía que AlphaZero, creado por Google, aprendió el juego por sí mismo en unas horas y fue capaz de derrotar al actual campeón del mundo virtual, Stockfish?

IA x Machine Learning x Deep Learning

Estos conceptos se entrelazan y se confunden. Pero definamos qué es cada uno y sus diferencias para facilitar su comprensión.

Inteligencia artificial

Ya hemos explorado el concepto anterior, pero, en pocas palabras, podemos afirmar que la IA se utiliza para desarrollar computadoras y programas capaces de simular el razonamiento humano. Las computadoras dotadas de inteligencia artificial pueden resolver problemas complejos mediante la realización de funciones cognitivas como el aprendizaje y el razonamiento. La IA también se define por sus complejos algoritmos que simulan cómo asimilamos la información para ayudar en el proceso de toma de decisiones.

Machine learning

Big Data es la base para la creación de inteligencia artificial y también del proceso de aprendizaje automático. Una gran cantidad de datos se utiliza para “enseñar» a las máquinas cómo hacer asociaciones y razones para resolver problemas. Para ello, se utilizan algoritmos y técnicas para programar la máquina para aprender sola, a través de ejemplos y su contexto, para que el ordenador pueda entender, asimilar y, a partir de esto, presentar las respuestas correctas basadas en la exposición de datos a situaciones similares en el futuro.

Deep learning

Podemos definir el deep learning como un producto de machine learning. Su principal característica son sus redes neuronales que están inspiradas en el cerebro humano, pudiéndose extraer y representar información hecha por la propia máquina. Mientras el procesamiento de machine learning se puede considerar más lineal, en el deep learning es un proceso de niveles. Precisamente por su aspecto de aprendizaje profundo realizado por la propia máquina, se necesita una cantidad gigantesca de datos para definir una característica, mientras que en el machine learning esto fue definido por los propios programadores. Esto es posible hoy en día gracias a la evolución de la capacidad de las máquinas, que pueden realizar estas tareas.

Inteligencia artificial en empresas

No en vano, la inteligencia artificial, el machine learning y el deep learning han llegado a utilizarse en numerosas áreas que afectan a la vida cotidiana, como la medicina, las finanzas y la seguridad. Para obtener más información, confiera algunos usos de la inteligencia artificial que se han vuelto comunes

1. Ventas y marketing

¿Alguna vez se ha preguntado cómo el anuncio correcto siempre le parece encontrar? No es suerte, pero la inteligencia artificial analiza todos sus datos de navegación para saber qué productos son los mejores para usted. Los sitios de compras también hacen esto cuando te presentan señales de productos y sugerencias. Nada es por casualidad.

2. Medicina

La creación de diagnósticos ya cuenta con la presencia de inteligencias artificiales y machine learning. Al acumular numerosos datos y resultados de pruebas anteriores, la IA puede ser capaz de hacer diagnósticos precisos por sí mismo.

3. Asistentes virtuales

Alexa, Siri y Cortana son clásicos. Pero, ¿sabía que más que responder a sus preguntas y realizar sus acciones, la inteligencia artificial ha estado presente en otras aplicaciones durante mucho tiempo? Google Maps es soberano como ejemplo de IA que facilita el día a día, porque combina diferentes datos para analizar la mejor ruta según las opciones de transporte y tiempo.

4. Seguridad

Reconocimiento facial, reconocimiento de voz o monitoreo de cámaras de seguridad. Lo que anteriormente hacían innumerables personas en incontables horas y sin tener una alta tasa de precisión, hoy depende de la ayuda de la inteligencia artificial para garantizar nuestra seguridad.

5. Ciberseguridad

La seguridad no tiene que estar sólo en el mundo real. Con el aumento de los ataques virtuales debido al crecimiento de la oficina en casa y el mundo cada vez más conectado en el que vivimos, era esencial utilizar la inteligencia artificial para defender nuestra seguridad en el mundo en línea. La automatización de los procesos de seguridad, que antes fueron de responsabilidad humana, hoy se convirtió en parte de las atribuciones de IA, permitiendo una respuesta inmediata, con menor tasa de error y que todavía libera al equipo de TI de la empresa para acciones más estratégicas.

6. Transporte

Saber qué ruta del autobús, dónde se encuentra y qué ruta debe tomar para llegar a su destino, depende con la ayuda de técnicas de inteligencia artificial. Además, el sistema de control de tráfico y logística de muchas empresas depende de la IA para aumentar su eficiencia y seguridad. El uso de inteligencia artificial permite la ejecución de cálculos complejos para determinar rutas, conmutación de rutas y plazos. Con esto, la logística necesaria para la entrega y transporte de mercancías, por ejemplo, se vuelve más simple. Esto es ideal para las empresas que se ocupan de productos perecederos, como alimentos.

7. Servicio

Los chatbots siguen siendo una de las principales tendencias para el servicio y la relación con el cliente últimamente. Cada vez más humanos, confían en los procesos de machine learning y deep learning para sonar más naturales y amigables, facilitando el servicio de las empresas y también la vida cotidiana de sus clientes. Con altas tasas de asertividad, los chatbots o voicebots tienen una programación que se está perfeccionando todos los días para comprender las complejas emociones humanas del usuario y cómo actuar en consecuencia.

¿Cuáles son las ventajas de la inteligencia artificial?

Aunque parece ser una inversión costosa, por lo general se paga con el tiempo. Por tanto, el uso de la IA en las empresas, incluso las pequeñas, tiene una faceta más estratégica, siendo capaz de optimizar los procesos, analizar el comportamiento de los usuarios y definir nuevos patrones de comportamiento, como lo hacen los comercios electrónicos para identificar los productos deseados para sus clientes.

Por supuesto, internamente, la IA aporta las siguientes ventajas a los procesos de su empresa:

Reducción de retrasos y fallos en los procesos internos;
Reducción de los costos de operativos;
Más seguridad para los datos de la empresa;
Reducción de errores y fallos humanos;
Optimización de tareas y procesos internos;
Agilidad en los procesos;
nnovación e investigación.

Otra ventaja que la IA permite explotar son los informes. Necesarias, pero de larga duración, pueden ser analizadas por la IA de la empresa, así como las tasas de uso del sistema y otras estadísticas internas que son susceptibles de mejora.

Centrado específicamente en su equipo de TI, el uso de inteligencia artificial puede conducir a varias ventajas, como:

Mayor control en la gestión de procesos de TI;
Automatización de procesos internos que requieren mucho tiempo;
Hacer que la TI sea más estratégica, capaz de predecir y prevenir situaciones como el aumento y la mejora de la infraestructura;
Sector de TI más eficiente.

Para demostrarlo, puede seguir a continuación algunos ejemplos de empresas que han adoptado la inteligencia artificial tanto interna como externamente con resultados sorprendentes.

Ejemplos reales del uso de la inteligencia artificial

Bradesco

Para demostrar sus ventajas, conozca más sobre un ejemplo de inteligencia artificial que trabajó en el proceso de creación de BIA, el asistente virtual de Bradesco que se convirtió en un caso global. BIA comenzó como una herramienta interna para los propios empleados del banco, y luego se amplió para ser una forma de servicio a sus clientes externos.

Con conocimiento de más de 60 productos, BIA responde a unas 300 mil preguntas al mes, con una tasa de precisión del 95%. Así, la calidad de la atención aumentó, mientras que el tiempo de espera disminuyó.

Tenent

El gigante Tenent controla una de las superapps más grandes del mundo, WeChat de China. Solo superado por WhatsApp en número de usuarios, WeChat presenta los aspectos positivos y negativos del uso de la inteligencia artificial, planteando preguntas éticas sobre el uso de la tecnología para controlar y mejorar la vida humana.

Las tecnologías de IA y machine learning se aplican fuertemente en la conversión de voz a texto, que a pesar de tener una alta asertividad, todavía está en continua mejora. Sin embargo, el segundo factor que más destaca WeChat es el uso de la recopilación de datos de usuario para ser analizados por la IA del superapp para un filtrado automático de los contenidos divulgados. El proceso de machine learning empleado permite a la plataforma reconocer publicaciones que deben ser censuradas por no seguir las directrices y políticas chinas.

Facebook

DeepText de Facebook entiende, analiza e interpreta los textos publicados de sus usuarios para entender su estado emocional. Al igual que WeChat, Facebook también analiza el contenido de las publicaciones de sus usuarios para acabar con aquellos considerados inapropiados bajo las políticas y términos de uso de la compañía, como la pornografía, el discurso de odio y, especialmente ahora, las noticias falsas.

Inteligencia artificial en su empresa

Las inteligencias artificiales no tienen la intención de dominar el mundo, todo lo contrario, son nuestros aliados para desarrollar un mundo menos complejo y más seguro.

Ella pueden ayudar a reducir los costos y hacer que su negocio sea más competitivo, ya que el análisis de datos puede volverse menos complejo para los seres humanos al confiar en la inteligencia artificial.

Y si su empresa quiere saber un poco más sobre cómo iniciar o impulsar sus aplicaciones con inteligencia artificial, conozca sobre las supercomputadoras Lenovo, líderes del mercado para HPC y Data Analytics utilizando IA.

La necesidad de realizar una valoración sobre el rol de los activos intangibles dentro de las organizaciones hace que sea necesario establecer estrategias entre la creación de valor con base en el conocimiento y los mecanismos de adquisición de este en las empresas. En esta investigación se plantea la problemática de establecer elementos que desarrollen la capacidad de fortalecer el conocimiento que las empresas adquieren a través de acciones centradas en los sistemas de información, la innovación y el proceso de la toma de decisiones, todo coadyuvando a la ampliación de la inteligencia de negocios (Business Intelligence) como un factor fundamental en la competitividad empresarial. Es una investigación mixta: entrevistas a profundidad en el aspecto cualitativo y cuestionario en el aspecto cuantitativo; en empresas del sector de tecnologías de información y comunicación.

Los hallazgos principales son:

a) el conocimiento es el activo de mayor valor en las empresas;

b) el entorno de negocios es fundamental para la competitividad;

c) la innovación, los sistemas de información y los procesos de toma de decisiones son parte de la inteligencia de negocios que requieren las empresas,

d) la inteligencia de negocios desarrolla la competitividad a partir de la gestión del conocimiento.

El conocimiento surge cuando un ente lleva a cabo la percepción de que su propia experiencia y capacidad le ha dado la posibilidad de interpretar información que esté recibiendo en un momento determinado (^{Zapata-Cantú, 2004}). El conocimiento deriva de información, así como la información deriva de los datos. Existe una relación directa entre datos, información y conocimiento. Si la información se transforma en conocimiento, entonces ha ocurrido la intervención de un ente inteligente. Las acciones de generación del conocimiento se producen en los seres humanos (^{Davenport y Prusak, 2001}). Las tecnologías de información y comunicación (TIC), a pesar de su capacidad de procesamiento de datos y creación de información, no pueden crear el conocimiento; este solo es posible a partir de la intervención de un ser humano (^{Bueno, 2000}).

El conocimiento se presenta como una alternativa para el desarrollo social, el que surge a partir de las experiencias empíricas pero que posteriormente se puede llevar a su acumulación y dar origen a nuevas formas de entender algún fenómeno conocido, y da lugar a la consecución de logros que pueden, en determinado momento mejorar la calidad de vida de los hombres que conforman una sociedad determinada (^{Shapiro y Varian, 1999}).

En la Figura 1 se ilustra la forma en que, partiendo de ciertas premisas que son sujetas tanto a la creencia como a las verdades que se consideran ciertas, se logra llegar a la creación de «conocimiento». Este, definitivamente, está sujeto al contexto que lo condiciona a ser parte de lo que se manifiesta como posible. Cada autor, investigador, «observador» o sociedad tienen en común antecedentes históricos, filosóficos y cosmogónicos que definen todo lo creíble y lo considerado verdadero (^{Michel, 2006}).

En las organizaciones se presenta una situación que versa en el manejo de la información, que cada vez es más numerosa y difícil de categorizar. La competitividad de las empresas considera importante que estas aprendan y que con el tiempo puedan replicar el conocimiento que se concentra en ellas a partir de los diferentes agentes involucrados en su operación, pudiendo ser empleados, directivos, clientes, etc. (^{Ahumada-Tello, Zárate Cornejo, Plascencia López y Perusquia-Velasco, 2012}). Es por ello que en esta investigación se aborda la problemática de lograr que las empresas sean inteligentes, aquellas que mediante el uso de estrategias basadas en el conocimiento desarrollan acciones de inteligencia de negocios, o, en otras palabras, que sean capaces de aprender a partir de sus miembros y sostener este conocimiento para la generación y transferencia valor (^{Berg de Valdivia, 2007}).

Los elementos en que se sustenta la conceptualización de inteligencia de negocios son los sistemas de información (^{Elbashir, Collier y Sutton, 2011}; ^{Deng y Chi, 2012}; ^{Bara et al., 2009}), los mecanismos de innovación (^{Nemutanzhela e Iyamu, 2011}; ^{Railean, 2011}; ^{Kumar y Puranam, 2012}) y los procesos de toma de decisiones (^{Chaabouni y Triki, 2013}; ^{Ángel, 2010}). En cada uno de ellos se implementan estrategias que pueden llevar a la organización a adquirir conocimiento y a mejorar la manera en que este incrementa el valor de los productos y servicios que se ofrecen, en este caso las empresas de base tecnológica en Tijuana, B.C.

MARCO DE REFERENCIA

El conocimiento y las organizaciones

Para entender la posición actual del conocimiento hacia el interior de las empresas es importante considerar las estructuras del valor de las organizaciones. Antes de definir el valor de una organización se debe entender el significado de este concepto. Desde un punto de vista económico, tal como el de los accionistas, se define como el valor monetario de las acciones de la empresa. Esta definición se puede visualizar en la Figura 2.

Fuente: ^{Pavez Salazar, 2000}.

Figura 2 Valor tradicional de mercado de las empresas.

Es posible que se pueda llegar a considerar que el valor de mercado de una empresa se encuentre fuera del valor real o contable de la misma, debido a la volatilidad de los precios de las acciones, pero es interesante y propenso a investigación cuando el valor de las empresas se sitúa muy por encima de su valor contable. Sin embargo, en los nuevos paradigmas de negocios que han surgido a través del uso de las tecnologías de información y comunicación como centro de las actividades generadoras de utilidades, las empresas empiezan a perfilar una necesidad estratégica el atender y construir sistemas de evaluación que les permitan asignar un valor a las actividades sustentadas en el conocimiento (^{Sallis y Jones, 2002}).

El valor del conocimiento en las organizaciones

Siguiendo la perspectiva del valor empresarial del conocimiento, se presenta así mismo la necesidad de determinar qué impacto tiene este en el desarrollo de la competitividad (^{Duran, 2002}). En el ámbito organizacional surge esta capacidad cuando una organización es capaz de producir bienes y servicios de calidad sin denotar una distinción entre los que sean de tipo tangible o intangible. Este enfoque indica la capacidad de producir valor; el conocimiento y su gestión, por lo tanto, se convierten en uno de los factores clave para la innovación y la consolidación de una organización en el entorno global de los negocios (^{Araya Guzmán, 2004}).

Toda organización busca el continuo mejoramiento de sus relaciones con sus clientes, empleados, accionistas y demás stakeholders^¹ involucrados con la organización. Los beneficios pueden ser sociales o económicos, el reto se perfila en la necesidad de lograr una mayor eficiencia y eficacia en sus procesos de producción, principalmente si estos se sustentan en los activos intangibles que son generados a partir de una estrategia de desarrollo basada en el conocimiento. En la Figura 3 se ilustra el enfoque de la conformación de valor hacia el conocimiento.

El conocimiento es la estrategia con mayor dificultad de imitación. Aquellas tácticas que se sustenten en replicar los elementos respaldados en estrategias sobre activos fijos y financieros -tales como maquinaria y equipo, instalaciones y terrenos, así como capital financiero-, o de la misma manera las que busquen generar recursos similares a la competencia -como por ejemplo la generación de marca, imagen y reputación, acceso a fuentes de suministro y las relaciones comerciales-, son relativamente más sencillas de replicar y de esta manera eliminar la ventaja competitiva (^{Tiwana, 2002}).

Sin embargo, las acciones que se perfilan como conocimiento de la empresa -o en este caso como inteligencia de negocios- se dividen en: experiencia y valores, habilidades y capacidades. Se convierten en características difícilmente igualables que en gran medida otorgan ventajas competitivas a las empresas u organizaciones que buscan fortalecer estas áreas de oportunidad.

Para reforzar el concepto de valor en el conocimiento se puede mencionar a ^{Nonaka y Takeuchi (1999)}, autores que enfatizan la importancia que tiene en las empresas modernas la creación de conocimiento. En este caso, los autores del factor de conocimiento hacen énfasis en que: «[…] no se busca la creación conocimiento sino […] se pretende añadir valor».

A partir del valor que el conocimiento brinda a la organización, surge la teoría basada en el conocimiento (knowledge based view) , que considera a la empresa como una comunidad social representante de un cúmulo de información, experta en la creación, la transmisión interna y su aplicación para generar conocimiento y, por consiguiente, ventaja en el proceso de competencia de mercado (^{Berg de Valdivia, 2007}).

Así mismo, se establece que la principal fuente de ventaja competitiva duradera de la empresa reside en el conjunto de información, que al ser analizada facilita cierto conocimiento. Y cuando estas empresas son capaces de crear, aplicar y replicar constantemente estos conocimientos específicos, se establecen los lineamientos organizacionales que permiten alcanzar objetivos estratégicos en su planteamiento competitivo (^{Chesbrough, 2011}).

Gestión del conocimiento

Es en este nuevo ámbito de la economía del conocimiento que se promueve el valor de los intangibles como centro de las acciones y estrategias empresariales; la gestión del conocimiento se ha convertido en uno de los principales temas de investigación y en el paradigma de gestión por excelencia en el campo de la organización y gestión de instituciones empresariales (^{Gallego y Ongallo, 2004}). Los siguientes autores remarcan la importancia de la gestión del conocimiento:

«Todas las organizaciones saludables generan y usan conocimiento. A medida que las organizaciones interactúan con sus entornos, absorben información, la convierten en conocimiento y llevan a cabo acciones sobre la base de la combinación de ese conocimiento y de sus experiencias, valores y normas internas. Sienten y responden. Sin conocimiento, una organización no se podría organizar a sí misma […]» (^{Davenport y Prusak, 2001}).

«[…] la capacidad de una compañía para generar nuevos conocimientos, diseminarlos entre los miembros de la organización y materializarlos en productos, servicios y sistemas. La creación de conocimiento organizacional es la clave del proceso peculiar a través del cual estas firmas innovan. Son especialmente aptas para innovar continuamente, en cantidades cada vez mayores y en espiral [generando ventaja competitiva para la organización]» (^{Nonaka y Takeuchi, 1999}).

La aparición y la creciente importancia del conocimiento como un factor de producción hacen que el desarrollo de tecnologías, de metodologías, de innovación y de estrategias para su medición, creación y difusión se convierta en prioridad en las organizaciones en la nueva denominación de sociedad del conocimiento (^{Michelo et al., 2008}). Sin embargo, también se puede considerar que ha sido precisamente el desarrollo de estas el que ha convertido el conocimiento en un elemento indispensable para el desarrollo económico y social (^{Bueno, 2008}).

Inteligencia de negocios

A partir de la gestión del conocimiento, surge el concepto de inteligencia de negocios (Business Intelligence , inteligencia empresarial o inteligencia de negocios); se llama así al conjunto de estrategias, acciones y herramientas enfocadas a la administración y creación de conocimiento mediante el análisis de datos existentes en una organización o empresa (^{Ahumada-Tello et al., 2012}).

Es precisamente en la gestión del conocimiento donde se sustentan estas estrategias que permiten seguir un conjunto de acciones que la empresa inteligente puede emprender, y que le conceden una ventaja sobre sus competidores, principalmente porque el valor agregado a los servicios o productos que son consecuencia de estas acciones desarrollan una eficiencia en su producción y una eficacia en su funcionamiento que difícilmente pueden ser replicadas por aquellas que no tienen estos procesos o estrategias definidas (^{Larson, 2009}).

En este documento se definen específicamente como acciones de inteligencia de negocios las operaciones que se involucran con los sistemas de información (^{Deng y Chi, 2012}; ^{Elbashir et al., 2011}), con los procesos de innovación (^{Medellín Cabrera, 2010}; ^{Chesbrough, 2011}) y con el desarrollo de procedimientos para generar un proceso de toma de decisiones inteligente. Los sistemas de información se definen como los elementos electrónicos del manejo de la información; la influencia de ellos sobre los procesos de negocio y sus implicaciones prácticas para la generación de conocimiento. De esta manera, son los diferentes sistemas que se estén utilizando para llevar adelante la operación de la empresa.

La innovación se define como las acciones u operaciones que promueven la mejora de cualquiera de los productos o servicios que produce la empresa (^{Chesbrough, 2011}), pudiendo ser estos de tipo tecnológico, operacional, administrativo o de estrategia empresarial (^{Chesbrough, 2010}). Así mismo son las políticas de promoción que la empresa tenga para llevar a cabo valoración de procesos, de productos, de personas en la organización y de acumulación o concentración de información en sus procesos productivos.

Finalmente, los procesos de toma de decisión se definen como la forma en que la gerencia llega a determinar las acciones a seguir, si estos son elaborados en base a una metodología preestablecida o si existen lineamientos que apoyen la evaluación de los resultados de las mismas (^{Chaabouni y Triki, 2013}). Son los mecanismos, documentos, procesos y políticas que promueven la toma de decisiones inteligentes en la organización (^{Moss y Atre, 2003}).

Modelos de gestión empresarial

Ahora bien, para lograr establecer metodologías y modelos de gestión que se orienten al desarrollo de estrategias de inteligencia de negocios es necesario analizar los modelos que tienen mayor difusión y que a la vez reconozcan el conocimiento como elemento primordial en el desarrollo de las organizaciones.

Primeramente, un modelo se define como la representación de un fenómeno desde la perspectiva del observador. Este surge al analizar con perspectiva sistémica el problema. Los modelos son diseñados para describir, comprender, explicar y predecir el comportamiento de las partes que componen el fenómeno o sus componentes (^{Mircea, 2009}).

En este sentido, los modelos de gestión empresarial son relevantes debido a la importancia del enfoque que se aplique a la gestión del conocimiento y del valor intangible de las organizaciones. A continuación se mencionan varios de los modelos de mayor difusión en los negocios.

Modelo Fundación Europea para la Administración de Calidad

El modelo Fundación Europea para la Administración de Calidad (EFQM) es uno de los modelos empresariales que se utilizan en Europa de forma común. En la versión Excelencia 2000 (^{EFQM, 2010}) hace mención de la importancia del conocimiento, la innovación y los procesos de aprendizaje para llegar a la excelencia empresarial. Este modelo tiene como objetivo ofrecer a las empresas una metodología que las lleve al mejoramiento de sus estrategias para el logro de resultados organizacionales (Fig. 4).

Fuente: ^{EFQM, 2010}.

Figura 4 Modelo EFQM.

En el modelo EFQM se encuentra señalada en ambos sentidos la importancia de las personas en los procesos de generación de conocimiento, lo que establece una relación con la inteligencia de negocios, puesto que es allí donde la organización mantiene de manera permanente los resultados del modelo. Es desde la perspectiva de la innovación y de los resultados de este proceso que los agentes facilitadores pueden mejorar los resultados, y de esta manera se infiere que la empresa también aprende durante estas fases de adquisición de valor. El liderazgo, orientado hacia los resultados, pero considerando de importancia equilibrada a las personas, a la política y a la estrategia organizacional, a las alianzas y los recursos, a los procesos internos, a los clientes y al impacto en la sociedad, pretende mejorar el sistema de producción elevando la calidad de los productos y servicios bajo la influencia de una perspectiva de gestión de conocimiento.

Modelo de Cuadro de Mando Integral

Este modelo, propuesto por ^{Kaplan y Norton (2006)}, establece una serie de indicadores capaces de ofrecer una visión global de la empresa, de activos tanto tangibles como intangibles, por medio de los indicadores financieros del modelo. Este modelo incluye la posibilidad de gestionar valores intangibles, tales como el conocimiento. Sus funciones son:

Clarificar la visión y la estrategia organizacional.
Comunicar los objetivos estratégicos y aumentar la comunicación organizacional.
Alinear las iniciativas estratégicas.
Aumentar la comunicación organizacional.
Facilitar la toma de decisiones.

Se muestra como una de sus vertientes principales el apoyo a la toma de decisiones, y se mencionan 4 indicadores que aparecen en la Figura 5. La visión estratégica se sustenta en las diferentes visiones o perspectivas: la de los clientes, la financiera, la interna y la de aprendizaje continuo. Esta última se contempla como la adecuación de la inteligencia de negocios en los procesos que generan la visión organizacional; de esta manera, los modelos de gestión como este refuerzan el uso del conocimiento en la generación de estrategia.

Fuente: ^{Kaplan y Norton, 2006}.

Figura 5 Cuadro de mando integral.

Modelo Intelecto

Responde al interés de medir el capital intelectual en las organizaciones. Este pretende ofrecer información relevante para la toma de decisiones y facilitar información a terceros sobre el valor de la empresa. Se pretende también acercar el valor implícito de la empresa a su valor de mercado, así como informar sobre la capacidad de la organización para generar resultados sostenibles, mejoras continuas y crecimiento a largo plazo (Fig. 6).

Fuente: ^{Kaplan y Norton, 2006}.

Los elementos del capital intelectual que menciona -capital humano, capital relacional y capital estructural- forman parte de los factores supeditados a la adquisición de conocimiento en la organización. Se plantea en consecuencia que en el futuro estratégico la organización eleva los índices de cada factor de manera que la organización mantenga sus ventajas competitivas con apoyo del capital intelectual.

Modelo Saint-Onge

Hubert Saint-Onge expresa que el conocimiento es «como la energía eléctrica que fluye entre los activos intangibles de la empresa para alimentar el capital humano, el capital estructural y el capital cliente» (^{Saint-Onge, 1996}). Estos son los elementos que conforman los activos intangibles de la empresa:

El capital humano , constituido por los conocimientos, experiencias, etc., de los individuos de la organización.
El capital estructural , integrado por la estructura organizativa, los procesos, los equipos, programas, bases de datos y todo lo que forma parte de la capacidad organizacional de una empresa.
El capital cliente , representado por las relaciones que se desarrollan con los clientes claves de la organización.

El modelo Saint-Onge se centra en el conocimiento tácito de la empresa y en cómo renovarlo y gestionarlo de la manera más eficaz. Se fundamenta en la idea de que al comprender el conocimiento tácito, la empresa puede encontrar formas de generar una cohesión interna dinámica que mejore el rendimiento futuro de la organización. El creador de este modelo incluye el concepto de capital cliente , por considerarlo un factor determinante. En la Figura 7 se ilustra el modelo.

Fuente: ^{Saint-Onge, 1996}.

Figura 7 Modelo Saint-Onge.

Modelo Skandia

Este modelo parte de la idea de que el valor de la empresa no se refleja solo contando los activos tangibles; bajo este argumento es que se agrega el factor financiero al modelo. Además de los indicadores tradicionales enfocados en los valores tangibles, en este modelo se incluye la evaluación de rendimiento, rapidez y calidad (^{Edvinsson, Hofman-Bang y Jacobsen, 2005}).

El modelo incluye el análisis de las finanzas como parte de los resultados de acciones pasadas tomadas en la empresa en relación a la creación de valor; los clientes, los recursos humanos y los procesos como parte de los datos actuales, para finalizar con las acciones de renovación y desarrollo como efectos en el futuro de la empresa. Estas secciones se indican en la Figura 8.

Fuente: ^{Saint-Onge, 1996}.

Figura 8 Modelo Skandia.

Factores clave del éxito de modelo de gestión del conocimiento

Aunque los factores que, en función del contexto particular, pueden determinar el éxito de un proceso de gestión del conocimiento son muchos y variados, en la Tabla 1 se enumeran los definidos para lograr el éxito de un proyecto de gestión del conocimiento.

Tabla 1 Factores de fracaso para un modelo de gestión del conocimiento.

Fuente: ^{Davenport y Prusak, 2001}; ^{Rodríguez Gómez, 2006}.

Factores clave del fracaso de modelo de gestión del conocimiento

Aunque los factores que, en función del contexto particular, pueden determinar el éxito de un proceso de gestión del conocimiento son muchos y variados, en la Tabla 2 se enumeran los definidos que provocan el fracaso de un proyecto de gestión del conocimiento.

Tabla 2 Factores de éxito para un modelo de gestión del conocimiento.

Fuente: ^{Davenport Prusak, 2001}; ^{Rodríguez Gómez, 2006}.

Inteligencia de negocios y gestión del conocimiento

Desde que ^{Freire (1973)} elaborara sus teorías sobre la razón de ser del conocimiento y cómo este otorga libertad al individuo, se ha recorrido un largo camino hacia el reconocimiento de este como un valor activo de las universidades, empresas, gobiernos o cualquier otra organización que lo posea (^{De la Fuente, 2002}). La relevancia de la creación y transferencia del conocimiento hace importante que este sea gestionado de una forma eficiente y que llegue a todos los actores que lo requieran dentro de una sociedad (^{UNESCO, 2005}). Ahora, al conocimiento se le considera como un alto valor competitivo en las organizaciones, y su eficiente gestión, un valor agregado de la misma (^{Zittoun, 2008}; ^{Kogut y Zander, 1992}; ^{Villarreal, 2006}).

En la década de los noventa ya se establecía la importancia de la gestión en el desarrollo de las empresas (^{Hansen, Nohria, y Tierney, 1999}). Y fue ^{Grant (1996)} quien afirmó que las organizaciones basadas en el conocimiento emergen y trascienden en el entorno académico y empresarial.

Los estudios para tratar de comprender la composición y la importancia del conocimiento, así como la relevancia de su almacenamiento, transformación y distribución, han incluido el análisis social como un marco que permite entender los elementos individuales que componen el conocimiento (^{Navarro y Bonilla, 2003}). La etnografía analiza principalemente, mediante la observación de las características concernientes a una cultura en especial, las formas de interrelacionarse en esos núcleos que generan conocimiento, y por consiguiente ayuda a comprender su creación (^{Kane, Ragsdell, y Oppenheim, 2006}).

Procedimientos y métodos computacionales también forman parte de los factores de apoyo para otorgar valor al conocimiento (^{Goitia, Sáenz-de-Lacuesta y Bilbao, 2008}). La perspectiva de la inteligencia de negocios se sustenta en la organización que aprende, que adquiere el valor de las habilidades y conocimientos particulares de los individuos (capital humano), también de las estructuras organizacionales y condiciones de mercado (capital estructural) y, finalmente, de los procesos de formación de estrategias de vinculación, alianzas y colaboraciones (capital relacional).

Es en este marco referencial que se puede inferir que la inteligencia de negocios depende de la dirección organizacional y de los estilos de liderazgo, para efectuar la implementación adecuada de los sistemas de información, de los mecanismos de innovación y de los procesos para la toma de decisiones que en conjunto se administran por medio de un sistema de gestión del conocimiento. Sin embargo, es a partir de la base de trabajadores, de los procesos y relaciones que se forman entre ellos, así como de la cultura organizacional, que surge la inteligencia de negocios adecuada al modelo de gestión (^{Medellín Cabrera, 2010}).

La Figura 9 resume la estructura teórica en este documento. El conocimiento es la base sobre la que se crea un valor; este valor eventualmente requiere ser gestionado, razón por la que se desarrollan modelos de gestión empresarial de manera diversa, adecuándose a cada entorno. Finalmente, surge la noción de inteligencia sobre la base del conocimiento adquirido en las fases previas. Esta ilustración señala una aproximación al concepto de estudio y establece los lineamientos que se siguen para determinar el grado de avance en el concepto de inteligencia de negocios.

Competitividad sistémica

En sus estudios por parte del Instituto Alemán para el Desarrollo, ^{Esser, Hillebrand, Messner y Meyer-Stamer (1996)} definen que la industria se debe sujetar al análisis de su competitividad desde 4 niveles económicos y sociales que se sustentan en un entorno social y, por consiguiente, sistémico.

Nivel micro: de las empresas y las redes que se forman entre ellas para mejorar sus procesos productivos.
Nivel meso: del Estado y los actores sociales, mediante el desarrollo de políticas de apoyo y colaboración para fomentar la formación de estructuras y procesos de aprendizaje en la sociedad.
Nivel macro: sobre las exigencias del entorno que circunda a las empresas y les impone niveles de exigencia en el desempeño y productividad.
Nivel meta: se refiere a la estructura de patrones organizacionales en el ámbito jurídico, político, económico y de responsabilidad social con miras a la integración estratégica.

Variables de estudio en los niveles de competitividad sistémica

Nivel meta. En este nivel se encuentran los procesos de toma de decisiones en la empresa.
Nivel macro. En este nivel se encuentran los sistemas de información.
Nivel meso. En este nivel se encuentra la innovación.
Nivel micro. En este nivel se encuentran las variables innovación y sistemas de información.

Resumen teórico del trabajo de investigación

En la Tabla 3 se ilustran algunos de los principales autores que sustentan la estrategia de investigación en este documento.

Tabla 3 Relación de autores y aproximación teórica.

Variable de estudio	Autores principales
Inteligencia de negocios	Surma (2011), Larson (2009), Bueno (2008), Moss y Atre (2003)
Sitemas de información	Deng y Chi (2012), Elbashir et al. (2011), Bara et al. (2009)
Innovación	Medellín Cabrera (2010), Nemutanzhela e Iyamu (2011), Railean (2011), Kumar y Puranam (2012), Chesbrough (2010, 2011), Carrillo et al. (2012)
Toma de decisiones	Chaabouni y Triki (2013), Ángel (2010)
Competitividad sistémica	Zittoun (2008), Meyer-Starner (2008), Villarreal (2006), Esser et al. (1996)

Fuente: elaboración propia.

METODOLOGÍA

Planteamiento del problema

En esta investigación se estudia el sector de tecnologías de información en el municipio de Tijuana, B.C., desde la perspectiva dinámica del sector. Así mismo, se analizan los procesos de inteligencia de negocios que forman parte de la gestión del conocimiento como herramienta para determinar su influencia en el desempeño de las empresas que forman parte del sector (^{Ahumada-Tello, 2011}).

Este modelo de evaluación de la competitividad se enfoca en 4 aspectos estudiados por el Instituto Alemán para el Desarrollo: el nivel micro, el nivel macro, el nivel meso y el nivel meta. Cada uno de ellos define aspectos de la empresa-industria analizando desde la cultura de la región hasta los entornos macroeconómicos y las organizaciones de cooperación que se forman (^{Meyer-Stamer, 2008}). Estos ofrecen una perspectiva de análisis que es especialmente útil para el estudio de los procesos específicos de interacción local-global que implica el desarrollo regional (^{García, 2009}).

En este sentido cabe destacar que el Instituto Alemán para el Desarrollo se ha encargado de llevar a cabo estudios sobre la «transformación orientada a la sustentabilidad en países en vías de desarrollo», incluyendo a Iberoamérica, centrándose en cómo la transformación orientada a la sostenibilidad se puede conceptualizar y medir, cuáles son sus implicaciones financieras y tecnológicas dentro de la empresa, así como qué factores promueven o dificultan tal transformación, dando énfasis en cómo los países en desarrollo pueden encontrar estrategias que armonicen los objetivos económicos y sociales. De ahí que dichos elementos propuestos por el Instituto (nivel micro, nivel macro, nivel meso y nivel meta) sean utilizados como aspectos a incluir en este modelo.

Ahora bien, la problemática de investigación versa en el uso de la gestión del conocimiento como parte esencial de la ventaja competitiva empresarial (^{Davenport y Prusak, 2001}); es el enfoque de análisis sobre la realidad de que entre mayor conocimiento y mejores prácticas para obtenerlo y administrarlo, mejor será la productividad y, por consecuencia lógica, un aumento de la competitividad en el sector de las tecnologías de información desde el enfoque sistémico (^{Esser et al., 1996}).

La investigación busca responder a la interrogante acerca de los procesos de inteligencia de negocios (Business Intelligence) como factores de la gestión del conocimiento que influyen en la competitividad de las empresas que pertenecen al sector de tecnologías de información en Tijuana, B.C.

Objetivos del estudio

El objetivo del estudio hace énfasis en describir, analizar y correlacionar los sistemas de información, las acciones promotoras de la innovación y los procesos de toma de decisiones como factores de incremento de la inteligencia de negocios en el desarrollo de competitividad desde el enfoque de la gestión del conocimiento en las empresas del sector de tecnologías de información en Tijuana, B.C.

La investigación se realiza sobre un sector estratégico en la economía nacional (^{Delgado y Garibotti, 2005}), y la importancia radica en la factibilidad que tiene este sector para ayudar al crecimiento de regiones e inclusive naciones mediante la promoción de la tecnología como parte de los lineamientos de una política de desarrollo (^{Carrillo, Hualde y Villavicencio, 2012}). El estudio de las empresas del sector de tecnologías de información desde perspectivas basadas en su valor intangible se sustenta en la gestión del conocimiento (^{Marsal y Molina, 2002}). Para efectos de obtener resultados válidos, se ha recurrido a una estrategia de investigación mixta, esto es, se utilizan técnicas cualitativas y cuantitativas para encontrar resultados congruentes al proceso indagatorio (Fig. 10).

Muestra cualitativa

Durante el proceso cualitativo se llevaron a cabo entrevistas a profundidad en empresas del sector. Este tipo de entrevistas cualitativas en profundidad son no directivas, no estructuradas, no estandarizadas y abiertas; aquí lo que importa es la opinión del entrevistado, su modo de ver el mundo y, por ende, la subjetividad que el individuo imprime en el conocimiento que nos está compartiendo. El nombre, la duración de trabajo y la descripción del proceso de entrevistas realizadas a las organizaciones participantes en este estudio dependieron del acceso y de la pertinencia que tienen cada una de ellas, tomando un total de 14 empresas de base tecnológica.

Cada entrevista tuvo un investigador como entrevistador, y la duración osciló entre los 50 y los 120 min. Las conversaciones fueron audiograbadas y, junto con anotaciones (realizadas durante el evento), conforman la información recabada. La fase cualitativa se expone en la Figura 11.

Fuente: ^{Krueger y Casey, 2000}.

Muestra cuantitativa

En cuanto al universo objeto de estudio, y tras analizar las características del sector de tecnologías de información en la ciudad de Tijuana, B.C., se decide que formen parte del análisis todas las empresas reportadas por el estudio realizado por PRODUCEN en 2007 y 2008 (^{PRODUCEN, 2008}), así que se buscan datos de las empresas en el Clúster de Tecnologías de Información de Baja California, A.C. (ITBaja) y también en la Cámara Nacional de la Industria de la Electrónica, las Telecomunicaciones y la Informática (CANIETI).

El marco muestral se ha realizado a partir de un listado revisado directamente de los portales web de cada una de estas organizaciones, actualizado en julio de 2012, después de consultar y depurar los datos localizados. El diseño de la investigación ha respondido a un muestreo aleatorio estratificado, utilizando como criterios de diferenciación el tamaño de la empresa y el giro principal de la misma.

El número total de entrevistas se calculó según la fórmula correspondiente a este tipo de muestreo sobre la población total, de forma proporcional a los estratos fijados y con unos niveles de variabilidad de p = q = 0,5, de confianza del 98% y un error del 9.20%, para Z = 1.96 (^{Fernández Nogales, 1998}). De esta manera, el tamaño de muestra estimado se refleja en la Tabla 4.

Tabla 4 Determinación de la muestra.

Fuente elaboración propia.

^a Cámara Nacional de la Industria de la Electrónica, Telecomunicaciones e Informática, A.C.

^b Clúster de Tecnologías de Información de Baja California, A.C.

Operacionalización de las variables de estudio

En la Tabla 5 se definen de manera conceptual y operacional las variables de estudio de esta investigación. Primeramente se establece que la inteligencia de negocios será considerada como el centro del estudio, y por consiguiente es importante resaltar que se encuentra definida a su vez por elementos que componen una concentración del estudio de las mejores prácticas hacia el interior de las organizaciones, principalmente aquellos donde la tecnología es base de las actividades del negocio.

Tabla 5 Operacionalización y dimensionamiento de inteligencia de negocios.

Fuente: elaboración propia.

Estas definiciones se consideran adecuadas debido al análisis empírico del entorno de negocios dinámicos en los que se encuentran inmersas las compañías de base tecnológica y pertenecientes al sector de tecnologías de información y comunicación. En este sentido, la variable inteligencia de negocios (Business Intelligence) se subdivide en 3 dimensiones: sistemas de información, innovación y proceso de toma de decisiones.

RESULTADOS

Los resultados de la investigación se plantean a partir de ambas perspectivas iniciales, la cualitativa y la cuantitativa. En ambos casos se llega a conclusiones que determinan el constructo sobre la inteligencia de negocios y su influencia en el desarrollo competitivo.

Fase cualitativa

Durante el proceso del estudio se llevaron a cabo una serie de actividades para realizar las entrevistas no estructuradas como parte de la investigación cualitativa. Estas actividades fueron llevadas a cabo como un esfuerzo para conocer las opiniones que los dirigentes y agentes clave de empresas de base tecnológica en la región de Tijuana, B.C. Para esta actividad se buscó entrevistar al mismo número de empresas que se contactaron en la fase cuantitativa; sin embargo, se tuvo solamente acceso a 14 de ellas, que son las que por medio de la entrevista no estructurada se obtuvo la información aquí reflejada.

Es mediante el análisis de constructo que surge a través de las entrevistas realizadas que se pueden determinar cuáles son los principales factores que inciden en la competitividad, y en este caso se muestran de manera individual en los contenidos de la Tabla 6 enlistados de manera independiente.

Tabla 6 Principales hallazgos cualitativos.

Fuente: elaboración propia.

En la Tabla 6 se observa la importancia que las empresas dan a los procesos de innovación, desde el tema de cambio cultural, planeación estratégica e innovación para el desarrollo, que fue mencionado en el 100% de las empresas, hasta la relevancia de la propiedad intelectual, la especialización y la innovación y desarrollo (como proceso de investigación), hasta los aspectos de responsabilidad y orientación de mercado. Esta información corrobora que los cambios son parte de las acciones sustentadas en el conocimiento y en la implementación de procesos que gestionen su implementación y resultados (^{Medellín Cabrera, 2010}).

Fase cuantitativa

En el instrumento utilizado se puede observar que al realizar el análisis de confiabilidad de los resultados de la aplicación del cuestionario se obtienen elevados índices de alfa de Cronbach, lo que indica que la confiabilidad del instrumento es significativa, datos que se reflejan en la Tabla 7. También se puede observar que la relación entre factores y alfa de Cronbach indica que el instrumento tiene validez de contenido significativo.

Tabla 7 Estudio de confiabilidad, alfa de Cronbach.

Fuente: elaboración propia.

En la Tabla 7 se indican los componentes de cada variable, sus ítems o preguntas del cuestionario y el nivel de confiabilidad medido por el alfa de Cronbach. En la variable de estudio «competitividad» se seleccionaron 13 ítems, y en la variable «inteligencia de negocios» se utilizaron 25 ítems, divididos en 3 dimensiones: sistemas de información con, 9 ítems; innovación, con 8 ítems, y toma de decisiones, con 8 ítems.

En total se implementó un cuestionario de 38 ítems. La confiabilidad se mantiene muy elevada para las 4 dimensiones ilustradas. El diseño del dicho cuestionario se llevó a cabo tomando en consideración cada una de las dimensiones y subsecuentes indicadores arrojados y sus variables correspondientes, tanto dependientes como independientes, además de llevar a cabo las pruebas estadísticas pertinentes sobre el propio instrumento una vez elaborado, tal y como se muestra en el Anexo I.

Se desarrolla el análisis ANOVA para encontrar la relación entre las variables predictoras y la variable dependiente, como se explica en la Tabla 8.

Tabla 8 ANOVA inteligencia de negocios vs competitividad.

Fuente: elaboración propia.

Observaciones. Se observa una relación directa positiva presente entre la competitividad y su variable predictora, inteligencia de negocios . Se concluye que tales acciones de fortalecimiento deben seguir y mejorar en lo posible (Fig. 12). Los resultados del análisis de varianza indican que la variable predictora tienen un efecto significante en la competitividad . En el caso de inteligencia de negocios , donde F(37, 29) = 2.695 y p = 0.004, las media general de 90.4925 presenta una tendencia hacia el incremento de la competitividad en relación a inteligencia de negocios .

Fuente: elaboración propia.

Figura 12 ANOVA de competitividad en términos de variables predictoras.

Correlación bivariada

A continuación se procede a describir las correlaciones que existen entre las variables de estudio. La Figura 13 muestra la correlación existente y analizada en este instrumento, donde existe una relación lineal entre las variables inteligencia de negocios [Business Intelligence] y competitividad . La figura también muestra que existe una relativa homocedasticidad debido a que las lecturas mantienen una dispersión similar entre los puntos de recorrido.

Elaboración propia.

Figura 13 Gráfico de correlación de competitividad vs Business Intelligence.

Correlación de Pearson momento-producto

En la Tabla 9 se observa una alta correlación entre competitividad y Business Intelligence (r = 0.737 y p < 0.001). Esta interpretación no implica causalidad ; la relación significante solamente implica que las variables covarían entre ellas si existe relación entre las variables predictoras y la variable dependiente mayor a 0.500 y con un nivel de significación menor a 0.01.

Tabla 9 Tabla de correlación de Pearson.

Fuente: elaboración propia.

** La correlación es significativa al nivel 0.01 (bilateral)

Correlación de Spearman

En la Tabla 10, el rango del coeficiente de Spearman obtenido entre las variables competitividad y Business Intelligence (rho = 0.720, p < 0.001) sustenta los resultados de la correlación de Pearson si existe relación entre las variables predictoras y la variable dependiente mayor a 0.500 y con un nivel de significación menor a 0.01.

Tabla 10 Tabla de correlación de Spearman.

Fuente: Elaboración propia.

**La correlación es significativa al nivel 0.01 (bilateral).

CONCLUSIONES

Las conclusiones que se presentan a continuación resultan del estudio realizado y constan de 2 partes:

Fase cualitativa. Esta primera fase consistió en realizar una entrevista no estructurada a 14 empresas medianas y grandes del sector de tecnologías de información en el estado de Baja California, todas ellas con alguna relación comercial, laboral, de vinculación o cualquier otra que tenga injerencia en el desarrollo económico de la ciudad de Tijuana, B.C.
Fase cuantitativa. En esta fase se aplicaron un total de 67 cuestionarios a igual número de empresas, de las cuales 23 fueron micros, 18 pequeñas, 3 medianas y 23 grandes empresas del sector de tecnologías de la información en la ciudad de Tijuana, B.C. Las variables bajo estudio se analizaron utilizando las técnicas estadísticas de alfa de Cronbach, ANOVA, correlación de Pearson y correlación de Spearman.

Ambas fases permitieron cumplir el objetivo planteado al inicio de este trabajo, además de plantear un enfoque adecuado para el estudio de la inteligencia de negocios en el contexto empresarial.

Describir, analizar y correlacionar los sistemas de información, la innovación y los procesos de toma de decisiones como factores de incremento de inteligencia de negocios en el desarrollo de competitividad desde el enfoque de la gestión del conocimiento en las empresas de base tecnológica en Tijuana, B.C.
La Figura 14 muestra la estructura fundamental del estudio. La base del estudio es el personal empleado profesional y perteneciente a una empresa de base tecnológica en el sector de tecnologías de información de Tijuana, B.C., así mismo, los procesos de interacción que se llevan a cabo entre ellos y las estrategias de inteligencia de negocios, que se definen como: sistemas de información; mecanismos de innovación; y el proceso de toma de decisiones. Este entorno se refiere al análisis de la inteligencia de negocios y se perfila como un entorno que se puede adecuar para su estudio posterior mediante el uso de metodologías de ciencias computacionales que ayuden a confirmar la información que se presenta y analiza de manera tradicional a través del estudio mixto.Fuente: elaboración propia.Figura 14 Arquitectura del estudio de inteligencia de negocio y adecuación para estudios posteriores.

Hallazgos en la fase cualitativa

El conocimiento se presenta como uno de los activos que mayor valor pueden dar a las empresas. El estudio indica que los líderes y elementos humanos clave de las organizaciones que fueron estudiadas encuentran una referencia importante hacia el conocimiento. Desde la propiedad intelectual y la transferencia tecnológica hasta la innovación, las actividades de investigación y desarrollo, se manifiesta la importancia clave de este tipo de activos intangibles para el crecimiento de las empresas de base tecnológica que se encuentran ubicadas en la entidad bajacaliforniana.La importancia del sector de tecnologías de información se reafirma cuando este sector se actualiza e incrementa el valor de los procesos de innovación y de los elementos humanos especializados que existen en la región. Las personas y los procesos son fundamentalmente de índole logicomatemática; esto quiere decir que muchas de sus actividades productivas giran en torno al valor del conocimiento y de cómo este se manifiesta en la posibilidad de negocios para la organización.
El entorno de negocios es fundamentalmente una labor conjunta entre las empresas y el gobierno; sin embargo, es responsabilidad de este último otorgar las condiciones necesarias que faciliten a las empresas concretar mayor número de proyectos. La posibilidad de realizar negocios y de elevar la competitividad de las empresas es un eje que no depende enteramente de la misma organización. Para ello es importante la existencia de los medios que faciliten el acceso a los mercados nacionales e internacionales, pero al mismo tiempo que garanticen la existencia de un entorno sociopolítico y económico estable para que la región se vuelva receptora de inversión en el ramo de la investigación y desarrollo de nuevos productos.Es bajo este contexto que la inteligencia de negocios como herramienta o metodología no es una estrategia que por sí sola pueda elevar la competitividad de la organización. En este sentido, la realidad sistémica del entorno regional influye en el resultado de las acciones implementadas para mejorar la capacidad de las organizaciones de generar valor en sus productos y servicios. Este hallazgo ilustra la complejidad inherente en las empresas, donde, a pesar de que los procesos para generar inteligencia son importantes, estos no son exitosos a menos que se combinen una serie de condiciones sistémicas que componen la competitividad de los negocios.
La innovación, el uso de sistemas de información, así como los procesos de toma de decisión, son actividades fundamentales para el aprendizaje de las empresas. La innovación también se considera una de las vertientes que ayudan al aprendizaje de las empresas y a su fortalecimiento en el mercado de las tecnologías de la información. Para que esta estrategia empresarial tenga éxito, se debe contar con mano de obra altamente especializada, capacitada y certificada. La cultura organizacional, las políticas públicas y la vinculación con el sector educativo son fundamentales, y la razón principal para que se dependa de estas condiciones es que es necesario que se lleve a cabo un cambio cultural con un mayor enfoque en la calidad, en el desarrollo sustentable y en el respeto, así como la protección de la propiedad intelectual, todos ellos fundamentos de un entorno de innovación, investigación y desarrollo como arista tanto de un crecimiento económico como del desarrollo de la competitividad en las empresas del sector.

Las variables de estudio forman parte del constructo social en el cual se ubican las empresas de Tecnologías de Información (TI). Los procesos de inteligencia de negocios intervienen directamente en la apreciación que se tiene de la competitividad en las organizaciones. Áreas de oportunidad que siempre están una continua mejoría son la vinculación, la transferencia tecnológica y la especialización del capital humano por medio de procesos educativos certificados que mejoren las opciones de generar valor y propiedad intelectual para las organizaciones.

Hallazgos en la fase cuantitativa

Se valida la hipótesis que se refiere a la relación positiva que existe entre la inteligencia de negocios y el incremento de la competitividad en las empresas de base tecnológica de la ciudad de Tijuana, B.C. En esta conclusión se verifica que la variable interviene directamente de forma positiva en el incremento de la competitividad. La evaluación de los datos obtenidos de manera empírica con el análisis estadístico llevado a cabo mediante el software SPSS confirman una relación positiva de la variable predictora con la variable dependiente.
Los procesos de inteligencia de negocios son parte de la generación de competitividad y su importancia se manifiesta en el enfoque de la gestión del conocimiento en las empresas de base tecnológica de la ciudad de Tijuana, B.C. La variable «inteligencia de negocios» está en los resultados de investigación cuantitativa.

En resumen, se concluye que la investigación tiene contribuciones para el estudio de la gestión del conocimiento y su influencia en la competitividad por lo siguiente:

Aporta evidencia empírica sobre los procesos de inteligencia de negocios como fases o variables del proceso que genera competitividad en empresas del sector de tecnologías de información o de base tecnológica. Este estudio analiza estas vertientes por su enfoque sistémico.
Combina métodos de investigación al emplear la lógica deductiva e inductiva para la construcción del modelo de competitividad desde el enfoque de gestión del conocimiento con la finalidad de analizar la inteligencia de negocios en las empresas de base tecnológica. Los resultados de la investigación cualitativa proporcionan una base confiable para la conceptualización y operacionalización del modelo, así como también ofrecen información útil para la construcción del instrumento de medición que da pie al análisis estadístico de la investigación cuantitativa. Como parte de la continuidad de esta investigación se pretende implementar métodos estadísticos y computacionales para incrementar la validez de los resultados obtenidos. La intención de triangulación de métodos provee a esta investigación conclusiones con mayor sustento metodológico.
Se analiza el proceso de generación de competitividad desde un enfoque de gestión del conocimiento que toma como referencia las áreas organizacionales de la empresa relacionadas con la inteligencia de negocios. Estos procesos, mediante la implementación de políticas organizacionales tales como las actividades de innovación, el uso de sistemas de información y los procesos de toma de decisiones, aportan al desarrollo de la competitividad.
Se propone la modificación de la estrategia en materia de fortalecimiento de la competitividad en las empresas del sector de TI, reenfocando el apoyo hacia la certificación de los empleados a una mejora de los procesos de inteligencia de negocios

Implicaciones teóricas y prácticas

Este estudio presenta implicaciones significativas tanto para la teoría como para la práctica. Las implicaciones teóricas van más allá de una simple comprensión de los factores que facilitan la implementación de la inteligencia de negocios como un eje fundamental en la generación de competitividad en las empresas de un determinado sector. En un entorno dinámico de negocios se observa la necesidad de mayor literatura que relacione de manera holística y sistémica los esfuerzos sociales que se llevan a cabo para generar competitividad empresarial mediante la implementación de estrategias de inteligencia hacia la empresa como una entidad independiente, con sus propias características, habilidades, valores, conocimientos, conductas y capacidades (^{Bueno, 2008}).

Mediante la orientación planteada en este estudio se propone una nueva visión a través de la variable predictora utilizada, que se refiere a los retos que tienen las empresas que compiten en entornos turbulentos y con una gran necesidad de tomar acciones innovadores, de calidad y de constante actualización técnica, como en este caso lo es la inteligencia de negocios que puede variar para otros sectores y empresas (^{Carrillo et al., 2012}).

Por otra parte, el uso de los métodos de investigación mixtos fortalece el desarrollo del proceso indagatorio (^{Hernández Sampieri, Fernández Collado y Baptista Lucio, 2014}). Esto abre la posibilidad para realizar el estudio de situaciones utópicas donde se pueden evaluar los indicadores de cada uno de los elementos que conllevan una modificación en el desarrollo de competitividad, además del uso de la inteligencia de negocios (^{Larson, 2009}).

Limitaciones de la investigación

La presente investigación proporciona un modelo conceptual de cómo las empresas del sector de tecnologías de información o de base tecnológica desarrollan su competitividad desde un enfoque de gestión del conocimiento aplicando la inteligencia de negocios para ello. Este modelo ha sido probado empíricamente a través de la investigación cuantitativa utilizando las técnicas estadísticas mencionadas anteriormente. En este contexto, surgen algunas limitaciones en los siguientes rubros:

Recopilación de los datos

La aplicación de los cuestionarios fue de forma aleatoria siguiendo la cantidad muestral obtenida mediante el uso de las fórmulas estadísticas aplicables a este caso. La identificación de los empleados clave para obtener información confiable de las empresas fue de forma cualitativa y considerando el puesto y la antigüedad del mismo dentro de la organización.

Es importante resaltar que existe una variación considerable entre las empresas en cuanto a sus estrategias competitivas y a su implementación sobre inteligencia de negocios. El tamaño de la empresa es un factor determinante en los temas de sistemas de información, innovación y procesos de toma de decisiones. Aun a pesar de las diferencias indicadas, los resultados de la investigación no demuestran errores graves en la planeación estratégica de las empresas del sector. En un futuro es conveniente replicar el estudio a empresas más homogéneas.

Generalización de resultados

Dada la especificidad del presente estudio sobre empresas del sector de TI, las cuales por su naturaleza operan en entornos dinámicos, se puede inferir que es probable que las empresas que operan en entornos similares tengan los mismos elementos contextuales para generar competitividad. Sin embargo, no se pueden generalizar los resultados de este estudio a empresas que operan en entornos estables, puesto que no se ha estudiado este tipo de organizaciones. Una investigación de tipo cross sectional entre múltiples sectores industriales aportaría una mejor comprensión de las dinámicas de generar competitividad.

Líneas de investigación y trabajo futuro

El trabajo conceptual y empírico en esta área del conocimiento se encuentra en una etapa inicial, y las contribuciones de la investigación sugieren algunas líneas de investigación para futuros enfoques de análisis. Algunas de ellas son las siguientes:

La implementación de estrategias de inteligencia de negocios para detonar la generación de competitividad en organizaciones que operan en entornos dinámicos o estables desde un enfoque de gestión del conocimiento se deben adecuar a cada sector industrial.
Esta investigación realiza una relación somera de las variables de estudio, de las teorías de competitividad y de la inteligencia de negocios; es importante continuar con el estudio de esta relación para fortalecer los resultados obtenidos en este estudio.
Este estudio se refiere a la generación de competitividad partiendo de la gestión del conocimiento; es importante validar los resultados desde un enfoque financiero que estudie más detenidamente las implicaciones en la rentabilidad de la empresa.

ANEXO I. ANÁLISIS DEL INSTRUMENTO DE MEDICIÓN

A.1. Descripción de la estructura del cuestionario

La variable predictiva o dependiente «competitividad» se dimensiona en una categoría y la variable predictora o independiente «Business Intelligence» se dimensiona en 3 categorías; estas a su vez se derivan en 3 indicadores, y a cada indicador se le desarrollaron 3 ítems o preguntas.

(Tabla A1)

Tabla A1 Ítems de la variable predictora Business Intelligence y sus dimensiones.

Fuente: elaboración propia.

(Tabla A2)

Tabla A2 Confiabilidad de la Variable Dependiente «Competitividad.

Fuente: elaboración propia.

(Tabla A3)

Tabla A3 Confiabilidad de la variable predictora «Business Intelligence»: «sistemas de información».

Fuente: elaboración propia.

A.2. Análisis de confiabilidad, variable «competitividad»

De acuerdo con ^{Nunnally (1967)}, los valores de alfa de Cronbach entre 0.6 y 0.7 son aceptables para ítems que han de formar un mismo constructo. El resultado de 0.895 nos indica una alta consistencia interna entre los ítems de competitividad .

A.2.1. Variable «Business Intelligence»: dimensión «sistemas de información»

El resultado de 0.925 nos indica alta consistencia interna entre los ítems de sistemas de información ; se detecta que el ítem p36 muestra un incremento a 0.928 en el nivel de confiabilidad, pero se considera que no es relevante el cambio, por lo que el cuestionario queda de la misma forma.

A.2.2. Variable «Business Intelligence»: dimensión «innovación»

(Tablas A4 y ^A5)

Tabla A4 Confiabilidad de la variable predictora «Business Intelligence»: «innovación».

Fuente: elaboración propia.

Tabla A5 Confiabilidad de la Variable Predictora «Business Intelligence»: «Toma de Decisiones».

Fuente: elaboración propia.

El resultado de 0.911 nos indica alta consistencia interna entre los ítems de innovación ; se detecta que el ítem p37 muestra un incremento a 0.917 en el nivel de confiabilidad, pero se considera que no es relevante el cambio, por lo que el cuestionario queda de la misma forma.

A.2.3.Variable «Business Intelligence»: dimensión «proceso de toma de decisiones»

El resultado de 0.932 nos indica alta consistencia interna entre los ítems de proceso de toma de decisiones ; esta es la confiabilidad más alta que presenta el análisis, por lo que el cuestionario queda de la misma forma.

La Inteligencia Artificial puede ayudar a las pequeñas empresas a mejorar sus procesos de trabajo de varias maneras:

Análisis de datos: la IA puede ayudar a las empresas a analizar grandes cantidades de datos para identificar tendencias y oportunidades de mejora.
Automatización de procesos: la IA puede automatizar tareas repetitivas, lo que libera tiempo para que los empleados se centren en tareas más valiosas.
Toma de decisiones: la IA puede proporcionar recomendaciones y análisis basados en datos para ayudar a las empresas a tomar decisiones informadas.
Mejora de la eficiencia: la IA puede ayudar a las empresas a identificar áreas de ineficiencia y proporcionar soluciones para mejorarlas.

¿De que maneras la inteligencia artificial puede ayudar en la gestión y comercialización de las pequeñas y medianas empresas ?

Las pequeñas empresas pueden usar la Inteligencia Artificial para mejorar los procesos de trabajo, reduciendo el tiempo dedicado a organizar archivos, crear formularios o gestionar agendas.

Las pymes españolas se resisten a adoptar soluciones de inteligencia artificial, pese a los múltiples beneficios para su negocio.

Estudiar el comportamiento de los clientes al detalle nos permite realizar predicciones acotadas que aumentan nuestro porcentaje de ventas.
El uso de chatbots y la automatización de procesos internos de gestión ahorran tiempo de trabajo que aprovechamos en acciones de mayor valor.

La inteligencia artificial en 2021 es muy necesaria para ayudar a las empresas a esquivar los obstáculos de la pandemia. Sin embargo, al menos en España, aún queda mucho camino por recorrer. Según el estudio ‘Indicadores de Inteligencia Artificial en las empresas españolas’ de la Secretaría de Estado de Digitalización e Inteligencia Artificial, sólo el 7% de las pymes en España emplea IA. Un 92% de las empresas españolas afirma no usar sistemas de inteligencia artificial. Aun así, estamos un punto por encima de la media de la Unión Europea. Si buceamos en las cifras del estudio veremos que, por ejemplo, sólo un 4% de empresas usa técnicas de aprendizaje automático para analizar sus datos.

La inteligencia artificial en las empresas de cualquier tamaño es imprescindible a día de hoy. Es un error pensar que solo está al alcance de las grandes multinacionales. Existen soluciones de todo tipo a precios asequibles que han democratizado el acceso a tecnologías de machine learning y automatización. La aparición del Covid-19 ha acentuado aún más esta necesidad. Las pymes preparadas para digitalizar procesos podrán adaptarse mejor a escenarios de teletrabajo y venta online, por ejemplo. Sigue leyendo si quieres saber por qué las empresas que usan inteligencia artificial tienen ventaja; ¡sé una de ellas!

Cómo pueden las pymes beneficiarse de la inteligencia artificial

Las empresas que trabajan con inteligencia artificial se benefician en todos sus departamentos. Esta inteligencia es capaz de aprender mediante la observación de comportamientos humanos y resolver problemas. Al departamento de marketing le permite segmentar mejor las campañas con análisis de tendencias y procesamiento de comentarios de clientes. Los encargados de atención al cliente ven su tarea mucho más agilizada gracias a los chatbots para pymes, que resuelven incidencias sin necesidad de intervención humana.

El big data y la inteligencia artificial en pymes van de la mano. De hecho, una de las claves del éxito de la IA es su capacidad de análisis de grandes volúmenes de datos. Procesa información en tiempo real y ofrece resultados de gran valor a la compañía para tomar mejores decisiones.

La implementación de inteligencia artificial suele estar ligada al trabajo en la nube, que facilita los procesos. Contar con soluciones cloud es beneficioso para las pymes porque facilita el acceso desde cualquier lugar a información interna. En un escenario de aumento del teletrabajo por el Covid-19, la preparación digital es clave para la supervivencia empresarial. Y eso incluye la inteligencia artificial en pequeñas empresas, por supuesto.

Aplicaciones de la inteligencia artificial en pymes

Estos son algunos ejemplos de inteligencia artificial en empresas. Usos y aplicaciones comunes que supondrán un salto de calidad muy grande en las dinámicas de trabajo.

Estudiar el comportamiento de clientes y potenciales

Los softwares de inteligencia artificial son capaces de revisar todos tus datos, ordenarlos, jerarquizarlos, cruzarlos unos con otros e identificar patrones, variables y realizar predicciones. Uno de los objetivos más importantes es conocer al detalle a nuestros clientes. Saber cómo se comportan, porque clican en una parte de la web y en otra no, en qué punto se frena un proceso de compra en ecommerce, cómo interactúan con el contenido que les enviamos… las posibilidades son infinitas. Esta información sirve para adaptar nuestras campañas a lo que sabemos de ellos y darles lo que quieren. Así aumenta la rentabilidad de nuestras acciones.

Realizar predicciones

La exactitud de las predicciones es otra de las claves del éxito de la IA. A la hora de planificar y lanzar nuevos productos/ofertas, el equipo de ventas tiene mucha más información sobre cómo abordar al público, qué tipo de mensajes funcionan mejor, por qué canales comerciales e incluso en qué franjas horarias. Así es mucho más fácil captar a nuevos clientes y fidelizar a los ya existentes. La inteligencia artificial en ventas tiene mucho que aportar.

Asistencia virtual

Uno de los desafíos para las pymes más importantes es cómo abordar la atención al cliente de forma rápida y efectiva sin tener que desembolsar una gran inversión en call centers o personal propio. Los chatbots pueden ser una solución. Gracias al procesamiento del lenguaje natural, son capaces de mantener conversaciones con los usuarios y solucionar sus problemas. Puedes crear un modelo que, según la complejidad de la solicitud, la derive a un bot o una persona. Se trata de agilizar procesos.

Automatización de procesos

Una de las aplicaciones de la inteligencia artificial en las empresas más útiles para departamentos de Finanzas o Recursos Humanos. Las pymes pueden reducir el tiempo que dedican a organizar archivos, crear formularios o gestionar su agenda gracias a programas de IA. Esto repercute en la satisfacción de los trabajadores, que dejan de invertir tiempo en tareas monótonas sin excesivo valor.

Los datos nos dicen que hay un amplio margen de crecimiento en el uso de inteligencia artificial en pymes. Y estas empresas van a necesitar ayuda. Las consultorías tecnológicas tienen un gran futuro para asesorar, guiar e implementar soluciones en estas empresas. Los ERP del futuro van a necesitar expertos que sepan ayudar a las pymes a sacar el máximo provecho.

Las empresas que se dedican a la consultoría estratégica deben transmitir a sus clientes la importancia de incorporar la IA. También deben acompañarlos en el proceso, resolviendo dudas y asegurando que la empresa entiende y controla los programas que se han implementado. La inteligencia artificial ha llegado para quedarse, y es misión de todos incorporarla a nuestros negocios para seguir creciendo.

El mundo está cambiando y uno de los mayores impulsores de estas transformaciones es la tecnología. Los avances tecnológicos están presentes en ámbitos diversos, como por ejemplo el empresarial. En este sentido, la inteligencia artificial (IA) es una de las tendencias más claras en las empresas actuales. ¿Cómo se aplica y qué ventajas tiene la IA para una organización?

La inteligencia artificial en el mundo empresarial

La inteligencia artificial, es decir, la simulación de procesos de inteligencia humana por parte de máquinas y sistemas informáticos, puede resultar de mucha utilidad en el sector profesional. Estas son algunas de sus aplicaciones más destacadas:

Automatización de procesos

La aplicación de la inteligencia artificial en las empresas puede ayudar, entre otras cosas, a automatizar procesos. Mediante el uso de máquinas inteligentes, muchas tareas que antes se realizaban de forma manual y rutinaria ahora pueden programarse y llevarse a cabo en menor tiempo y con menos recursos. Lo más positivo es que la inteligencia artificial puede aplicarse en procesos muy variados. Por ejemplo, se pueden insertar robots en la cadena de montaje de una empresa automovilística, pero también se puede agilizar el proceso de fabricación de teléfonos inteligentes.

Análisis de datos

No cabe duda de que vivimos en la era del dato. En pleno auge del big data, las empresas trabajan con grandes cantidades de datos de los que pueden obtener información muy interesante. Para ello, algunas organizaciones emplean sistemas informáticos que gestionan, ordenan y analizan datos no estructurados.

Apoyo a equipo humano

Una de las creencias más extendidas es que la inteligencia artificial perjudica o es invasiva para con los trabajadores humanos. Sin embargo, los sistemas de inteligencia artificial pueden ayudar a los empleados y servirles como apoyo en algunas tareas. Tras un estudio y análisis del entorno, los equipos de IA pueden dotar de información muy valiosa a los trabajadores. Un ejemplo es en el trato directo con clientes. Los robots analizan distintos aspectos de los clientes y establecen perfiles para, más adelante, hacer recomendaciones y propuestas a los gestores humanos basándose en el contexto anterior.

Atención al cliente

En el sector e-commerce cada vez son más comunes las empresas que integran un chatbot en su página web. De esta forma, ofrecen un servicio de asistencia virtual completo y en tiempo real. Gran parte de los esfuerzos de algunas compañías se centra en perfeccionar sus herramientas digitales de atención al cliente. La idea es hacerlas más eficaces y, sobre todo, propiciar un trato más directo y personal con el cliente.

Ventajas del uso de inteligencia artificial

No cabe duda de que las empresas ya no operan igual que años atrás. La incorporación de inteligencia artificial en el flujo de trabajo de diversas organizaciones es una prueba de ello. Pero, ¿qué beneficios puede reportar esta apuesta? Ahorro de tiempo Como ya hemos mencionado, una de las aplicaciones principales de la IA en el ámbito empresarial es la automatización de procesos. Esto conlleva un claro ahorro de tiempo, lo que se traduce también en una reducción de costes. Con un menor esfuerzo, podemos conseguir que nuestra empresa abarque más actividades, agilice su ritmo de trabajo y, sobre todo, avance en el camino hacia la consecución de sus objetivos.

Más innovación

Precisamente derivado del ahorro de tiempo que supone el uso de sistemas de IA, las empresas disponen de más recursos temporales y económicos para dedicarlos a otras tareas como la innovación. Se plantea así un ecosistema en el que las máquinas o empleados virtuales se dedican a las tareas más monótonas mientras que el equipo humano se centra en el área más creativa, ocupándose de la gestación de ideas, de actividades de contacto comercial, etc.

Aprendizaje de errores

Gracias al machine learning (capacidad de las máquinas de aprender y aprehender de situaciones de su entorno y de la experiencia), los sistemas informáticos registran errores y se aseguran de no repetirlos en futuros procesos. En definitiva, idean las estrategias más rápidas y eficientes según cada tarea y objetivo marcado.

Empresas que apuestan por la inteligencia artificial

La inteligencia artificial está presente en algunas de las empresas más potentes del mundo. La emplean para fines tan diversos como mejorar la experiencia de usuario, perfeccionar sus productos y ofrecer un buen servicio posventa. Estos son algunos ejemplos prácticos:

Apple

La multinacional dirigida por Tim Cook cuenta con uno de los productos de inteligencia artificial más populares del mercado. Se trata de Siri, un asistente de voz incluido en los iPhone y en algunos iPad. Las principales funciones de Siri son responder preguntas de los usuarios, realizar acciones a su petición y hacer recomendaciones. Lo consigue utilizando herramientas de reconocimiento de voz y de procesamiento del lenguaje natural.

Facebook

La red social con más usuarios únicos del mundo dispone de su propio laboratorio de investigación en inteligencia artificial. Y es que su apuesta por esta tendencia tecnológica es muy fuerte. Su objetivo es servirse de la IA para ofrecer al usuario una experiencia mucho más personalizada. Algunas de sus acciones de inteligencia artificial más importantes son el reconocimiento facial en el etiquetado de imágenes, los mapas interactivos sobre densidad de población y acceso a Internet en el mundo o la app de Facebook que emplea redes neuronales e IA para describir el contenido de las imágenes a los usuarios ciegos.

Tesla

La inteligencia artificial también está presente en la estrategia de Tesla, la compañía fundada por Elon Musk. Y es que la empresa automovilística está trabajando en una flota de vehículos completamente autónomos que, al parecer, se comercializará en 2019. La introducción de la conducción autónoma es una cuestión que aún genera mucho debate, por lo que corporaciones como Tesla están invirtiendo mucho en investigación para garantizar condiciones de seguridad óptimas.

Google

Una de las últimas apuestas del gigante Google por la inteligencia artificial se ha materializado en la inversión en una agencia de noticias escritas por robots. Sin embargo, la idea de esta agencia no es que los robots actúen como sustitutos o competidores de los periodistas, sino como un recurso más para ellos. Se trata de un proyecto cuanto menos interesante, ya que pone de manifiesto cómo los robots no solo están presentes en las tareas más mecánicas, sino también en profesiones más intelectuales y creativas.

Inteligencia artificial, un futuro que ya es presente

La inteligencia artificial ha sido protagonista de muchas películas de ciencia ficción, pero hoy ya es una realidad. Actualmente, está presente en sectores tan dispares como el médico, el educativo y, por supuesto, el empresarial. No obstante, aún existe cierto recelo e, incluso, miedo, por el hecho de cómo pueda afectar a los seres humanos. ¿Es la IA un sustituto del trabajo humano o más bien un complemento? El debate está servido.

Esto se logra mediante el uso de herramientas como software de ciberseguridad, CRM y servicios interactivos

así como la automatización de procesos, análisis de datos y apoyo al equipo humano

. La IA también puede ser útil en áreas como producción, RRHH, relaciones con los clientes y marketing

así como para resolver problemas complejos mediante funciones cognitivas como el aprendizaje y la toma de decisiones.

La Inteligencia Artificial puede ayudar en varias áreas, incluyendo:

Análisis de datos de ventas: la IA puede analizar grandes cantidades de datos de ventas para identificar patrones y tendencias, lo que puede ayudar a las cooperativas a tomar decisiones informadas sobre cuándo y dónde vender su producto.
Optimización de la cadena de suministro: la IA puede ayudar a las cooperativas a monitorear y optimizar su cadena de suministro para asegurarse de que los productos lleguen a tiempo y a un costo razonable.
Personalización de la experiencia de compra: la IA puede analizar la información del cliente para personalizar la experiencia de compra y ofrecer recomendaciones personalizadas.
Predicción de demanda: la IA puede utilizar algoritmos de aprendizaje automático para predecir la demanda futura y ayudar a las cooperativas a planificar su producción en consecuencia.

¿Cómo la inteligencia artificial analizará los datos de estas empresas a través de algoritmos?

Los algoritmos de Inteligencia Artificial pueden analizar los datos de diversas maneras:

Análisis descriptivo: Los algoritmos pueden describir los datos utilizando estadísticas y visualizaciones para ayudar a las cooperativas a entender el comportamiento de sus clientes y el rendimiento de sus ventas.
Clustering: Los algoritmos de clustering pueden identificar patrones y grupos similares en los datos de ventas, lo que puede ayudar a las cooperativas a identificar oportunidades para segmentar su mercado.
Análisis predictivo: Los algoritmos de aprendizaje automático pueden utilizar datos históricos para predecir la demanda futura y ayudar a las cooperativas a planificar su producción en consecuencia.
Análisis de tendencias: Los algoritmos pueden identificar tendencias en los datos de ventas y proporcionar información valiosa sobre cómo los factores externos afectan a la demanda.

Los algoritmos de IA pueden analizar los datos a través de una combinación de análisis descriptivo, clustering, análisis predictivo y análisis de tendencias para ayudar a las cooperativas a tomar decisiones informadas y mejorar su rendimiento.

La Inteligencia Artificial analiza los datos de las empresas a través de algoritmos complejos que simulan cómo asimilamos la información para ayudar en el proceso de toma de decisiones

. Estos algoritmos se usan para aplicaciones prácticas como recomendación de productos y servicios, automatización del marketing, análisis predictivo y optimización de procesos

. La IA también se adapta a través de algoritmos de aprendizaje progresivo para permitir que los datos realicen la programación

, lo que permite a las empresas tomar decisiones inteligentes basadas en datos.

Principales tecnologías de Inteligencia Artificial para marketing en empresas:

IA es mucho más que una tecnología, también reúne algoritmos, códigos y datos que pueden realizar diferentes funciones.

Ahora, comprendamos mejor cuáles son las principales tecnologías de Inteligencia Artificial que se pueden utilizar en el Marketing empresarial, ya que a menudo se utilizan juntas para desarrollar mejores productos, servicios y estrategias.

¡Así que veamos algunas de ellas!

Machine Learning

Machine Learning significa aprendizaje automático. Según este concepto, las máquinas procesan grandes volúmenes de datos e identifican patrones que generan conocimiento sobre el comportamiento del usuario.

De esta manera, pueden aprender y mejorar continuamente la toma de decisiones, incluso sin ninguna intervención humana.

Deep Learning

Deep Learning es profundizar en el aprendizaje automático. Se basa en redes neuronales, que utilizan algoritmos más complejos para aproximar el funcionamiento de las neuronas y el cerebro humano.

En combinación con el machine learning —que funciona de manera más lineal—este concepto mejora la capacidad de procesar datos y generar inteligencia.

Procesamiento del lenguaje natural

El procesamiento del lenguaje natural o natural language processing (NLP) es la capacidad de las máquinas para comunicarse con las personas en un lenguaje humano.

En otras palabras, es el área de la Inteligencia Artificial que se acerca a la lingüística para comprender las expresiones, modismos, jergas, reglas sintácticas, relaciones semánticas y errores cotidianos que hacen que el lenguaje humano sea tan complejo, es decir, un lenguaje desestructurado.

Debido a que las computadoras usan un lenguaje estructurado, necesitan algoritmos y sistemas para comprender a los seres humanos y darles respuestas usando el lenguaje natural.

Visión computacional

Es la capacidad de las máquinas para ver como seres humanos. La intención es imitar la visión humana, que puede captar la luz reflejada de un objeto, identificar el entorno que lo rodea, analizar la información y almacenarla en la memoria.

En la visión computacional, las máquinas también son capaces de hacer esto y pueden tomar decisiones inteligentes basadas en lo que ven.

10 aplicaciones prácticas y ejemplos de Inteligencia Artificial en empresas

Ya que conoces las principales tecnologías de Inteligencia Artificial usada en el marketing veamos ahora cómo estas se pueden aplicar en la práctica y cómo las empresas están aprovechando el potencial de la Inteligencia Artificial.

1. Recomendación de productos y servicios

Spotify y Netflix son expertos en recomendaciones personalizadas. Ambas plataformas buscan comprender los comportamientos e intereses de los usuarios para hacer sugerencias que realmente disfruten; y por supuesto la Inteligencia Artificial está detrás de eso.

Tanto Spotify como Netflix funcionan con Big Data, y es que el gran volumen de datos — tanto internos como externos a las plataformas — se utilizan para nutrir los algoritmos, que perfeccionan su conocimiento y hacen mejores recomendaciones.

De esta forma, el enorme catálogo en las plataformas se vuelve más interesante para los usuarios.

Por su parte, en Spotify, lo más destacado es la lista de reproducción «Descubrimientos de la Semana» cuya sugerencia de personalizada de 30 canciones, casi siempre te gusta, ¿no es verdad?

Y es que estas recomendaciones se basan en un cruce entre tres modelos:

Modelos de filtrado colaborativo: procesan datos sobre el comportamiento del usuario en relación con otros usuarios de plataformas similares.
Modelos de procesamiento de lenguaje natural: procesan datos sobre lo que dicen los usuarios de Internet sobre el catálogo de Spotify.
Plantillas de audio: procesan archivos de audio sin procesar del catálogo de Spotify.

Por otro lado, en Netflix, la página de inicio personalizada es la forma principal en que los suscriptores interactúan con las recomendaciones de la plataforma.

La estrategia de Netflix es recomendar títulos que sean de interés, pero también estimular que exploren y naveguen por el catálogo. Para ello, la página de inicio se organiza en líneas, clasificadas por géneros o subgéneros de películas y series.

Las líneas y el orden de los títulos consideran los intereses del usuario en relación con otros usuarios similares de la plataforma (filtrado colaborativo) y una serie de reglas.

En general, los títulos más relevantes tienden a estar más cerca de la esquina inferior derecha, el cual tiende a recibir más atención por parte de los usuarios. ¡Pero el aprendizaje automático en Netflix va todavía más lejos!

Los algoritmos aprenden de la interacción con la página de inicio y comprenden de qué manera cada usuario consume sus contenidos, pudiendo reordenar títulos para crear una página específica para cada uno de los usuarios.

2. Automatización del servicio a través de chatbots

Los chatbots son uno de los principales referentes de la Inteligencia Artificial por parte de las empresas. Para que las interacciones entre robots y clientes sean relevantes, las máquinas deben comprender de qué están hablando las personas y brindarles respuestas y soluciones.

Es importante mencionar que muchas compañías están invirtiendo en este tipo de aplicaciones para optimizar el servicio al cliente. Entre ellos, los bancos destacan en el poder de la inversión en tecnología, con asistentes de Inteligencia Artificial que interactúan con los clientes, aclaran dudas, informan saldos y realizan transacciones.

Además, cuanto más interactúan los usuarios con el chatbot, más aprenden sobre ellos e, incluso, anticipan sus necesidades.

Y el procesamiento del lenguaje natural es uno de los elementos principales de la IA del asistente virtual.

3. Reconocimiento de voz

Alexa de Amazon y Siri de Apple no son solo asistentes virtuales a los que les puedes solicitar el pronóstico del tiempo del día.

Dependiendo de las interacciones que tengas, estas pueden conocer tus intereses y hacer que la conversación sea mucho más profunda, ya que ambas plataformas son interfaces de usuario de voz (VUI), que utilizan tecnología de IA conversacional.

Esto representa un gran avance en la interacción humano-computadora. En lugar de menús, clics o toques, usamos la voz, que es la forma más natural en que los humanos interactúan con el mundo.

Por esto, la Inteligencia Artificial tiene la tarea de entender qué es lo que dicen las personas para poder hablarles también y realizar las tareas que deseen.

Para hacerlo, los sistemas de Amazon y Apple se basan en el procesamiento del lenguaje natural, que no solo comprende lo que dice la gente, sino que también responde, interactúa y aprende cada vez más.

Sin embargo, las VUI van más allá: entienden no solo lo que decimos, sino también cómo lo decimos, lo que nos permite captar los matices emocionales de un discurso.

La cantidad de habilidades de Alexa, por ejemplo, crece año tras año. Según el sitio web Voicebot.ai, hay alrededor de 5,000 nuevas habilidades cada 100 días, como por ejemplo realizar pagos en los bancos, pedir comida para entregar o solicitar a un Uber

4. Reconocimiento de imágenes

¿También te sorprende cuando la aplicación Google Photos reconoce a todos los miembros de tu familia en las fotos de tu teléfono? Pue sí, la Inteligencia Artificial está detrás de esto.

Sin embargo, las computadoras no leen imágenes, ya que si ves una imagen de un perro, por ejemplo, Google solo ve códigos. Por lo tanto, necesitan aprender cuáles son las características de la fotografía de un perro para comprender cuando están allí.

Ahí es donde entra la visión computacional. Esta tecnología te permite entrenar a tu computadora para que reconozca patrones de colores y formas en las imágenes. De esta manera, las máquinas están más cerca de la visión humana y pueden tomar decisiones según lo que ven.

Por lo tanto, la aplicación no solo reconoce las fotos de perros, sino que también reconoce las fotos de tu perro. No solo reconoce fotos de personas en general, sino que también reconoce fotos de tu familia o amigos. Y cuanto más le digan los usuarios a los robots quién o qué aparece en las imágenes, más aprenden.

De esta forma, Google Photos puede organizar y agrupar las fotos que guardas, para que puedas encontrarlas con una simple búsqueda.

Y para que tengas una idea más clara en este artículo Google explica cómo funciona esta tecnologí

Fuente: Android Police

5. Precios de productos

¿Quién no se ha asustado por el precio de un Uber en una tarde de mucho tráfico? ¡Sí, la Inteligencia Artificial también está por detrás!

La fijación de precios dinámica, basada en la demanda y la oferta de un producto, es otra posibilidad para la aplicación práctica del aprendizaje automático.

Por ejemplo, cuando mucha gente abandona un partido de fútbol, las tarifas de Uber aumentan.

Al mismo tiempo, tienden a venir más conductores al lugar porque los precios son mejores. Pero una vez finalizado el evento, las tarifas vuelven a la normalidad, a menudo más baratas que un taxi.

Lo mismo ocurre con Airbnb, que ofrece la función Smart Pricing para los anfitriones que quieran adoptarla. De esa forma, los precios varían según la demanda de alojamientos con características similares a las del anfitrión, así como datos como ubicación, temporada, clasificación del alojamiento, proximidad al check-in, entre otros factores.

De acuerdo, los precios dinámicos no son nada nuevo; los hoteles y las aerolíneas usan esta estrategia desde hace años: a medida que aumenta la demanda, el precio aumenta.

Sin embargo, antes de la IA, esta dinámica dependía de reglas definidas por el usuario.

El machine learning, por otro lado, le permite a los algoritmos reconocer patrones que los humanos no notan, pronosticar situaciones futuras y actualizar precios en tiempo real. En otras palabras, la fijación de precios se vuelve dinámica, precisa y rápida.

Las tarifa dinámica con IA considera la demanda de un producto en el momento y el comportamiento de los usuarios, así como datos externos como noticias, clima, eventos locales, tiempo, tráfico, etc.

Por lo tanto, si un programa se anuncia en una ciudad determinada, los algoritmos pueden capturar esta información y ajustar los precios al instante, lo que sería muy difícil para un ser humano.

6. Segmentación de la audiencia

La segmentación de la audiencia es una de las actividades más tradicionales del Marketing, pues las empresas orientan sus estrategias teniendo como eje el comportamiento del consumidor, para llegarle a las personas con perfil para su solución y con las ofertas adecuadas.

¡La Inteligencia Artificial puede aprovechar esta segmentación!

Netflix, utiliza el machine learning para conocer el comportamiento de sus suscriptores y segmentarlos según sus acciones. El grupo de clientes que vio el último episodio de una serie determinada, por ejemplo, puede recibir un email con una recomendación de contenido nuevo para ver.

Sin embargo, la segmentación puede volverse mucho más precisa y personalizada a medida que los algoritmos comprenden el perfil de cada usuario.

Son capaces de identificar patrones de comportamiento que el ser humano no detecta, además de evitar prejuicios, pues son los datos los que muestran quién es realmente el segmento de consumidores de un tipo de contenido y alimentan los algoritmos para tomar mejores decisiones de segmentación.

7. Campañas digitales

Las campañas de medios pagos se pueden hacer mucho más eficientes con Inteligencia Artificial. Incluso, las principales plataformas publicitarias están trabajando con el aprendizaje automático para mejorar el rendimiento de los anuncios.

Google Ads, por ejemplo, ofrece el modelo de ofertas inteligentes, las cuales son ofertas automáticas que utilizan el aprendizaje automático para mejorar las conversiones y el valor de conversión en cada subasta de anuncios.

En los anuncios de YouTube, por ejemplo, esta estrategia se utiliza para ajustar automáticamente las ofertas en el momento de la subasta.

Los algoritmos identifican a las personas que tienen más probabilidades de considerar la marca después de ver un anuncio de video y establecen automáticamente sus ofertas para aumentar las posibilidades de llegar a esa audiencia.

Además, Google Ads también tiene anuncios de búsqueda responsivos. Para usarlos, los anunciantes deben proporcionar hasta 15 títulos y 4 descripciones al crear anuncios para la red de búsqueda.

Google, a su vez, analiza el comportamiento de los usuarios, el dispositivo que utilizan y el contexto de búsqueda para proporcionarles la mejor versión del anuncio. De esta forma mejora los resultados de los anunciantes y la experiencia del usuario.

Según el motor de búsqueda, los anunciantes que utilizan esta función obtienen hasta un 15% más de clics.

Fuente: WordStream

8. Personalización del producto

Una experiencia personalizada de marca, también se consigue personalizando el producto, y Nike es un especialista en esto.

En los últimos años, la marca deportiva ha invertido en la adquisición de startups y tecnologías digitales para mejorar la experiencia del cliente e involucrar a los consumidores.

Nike en 2018, adquirió una empresa de visión computacional (Invertex) y, en 2019, una compañía de análisis predictivo (Celect).

Además, como una forma de involucrar a sus clientes, Nike lanzó un proyecto llamado Nike Maker Experience.

La intención era permitirle a los clientes crear el zapato de sus sueños, y su sistema era muy sencillo: un par de zapatillas se coloca dentro de un sistema; luego, el cliente elige los colores y gráficos que desea agregar al zapato, todo con comandos de voz.

Con ello, el sistema utiliza IA, seguimiento de objetos y proyecciones para crear un producto a medida, y en menos de dos horas, las zapatillas están listas y la marca recopila una gran cantidad de datos de los clientes.

Este proyecto se lanzó en 2018 en tiendas específicas. Pero hoy, en el sitio web Nike By You, es posible personalizar completamente los productos, recibir tus zapatos en 2 a 5 semanas y compartir tu creación con el mundo.

Otro proyecto de Nike que utiliza Inteligencia Artificial es la aplicación Nike Fit y su objetivo es recomendar el zapato perfecto para cada persona. Para ello, la aplicación utiliza tecnología de realidad aumentada para escanear los pies de los clientes y capturar datos de medición, morfología y anatomía.

La visión computacional procesa estos datos, hace referencias cruzadas con la información del producto y genera una recomendación personalizada. Además, la propia Nike utiliza estos datos para aumentar la precisión en el diseño y la fabricación de productos.

Piensa, entonces, que Nike Fit puede integrarse con Nike By You. Esta es la intención de la marca: crear una experiencia totalmente personalizada.

9. Curación de contenidos

La cantidad de contenidos que producimos y consumimos en Internet es incalculable. En las redes sociales, especialmente, la línea de tiempo es disputada por publicaciones de amigos, familiares y marcas, por lo que es difícil prestar atención a todo, ¿no?

Es por eso que plataformas como Twitter y Pinterest están invirtiendo en Inteligencia Artificial para tomar mejores decisiones y recomendaciones para los usuarios. La intención es presentar los contenidos que más suelen encantar al usuario y hacer más relevante la experiencia.

Por su parte, en Twitter, las tecnologías de deep learning y NLP se utilizan para mejorar el conocimiento sobre cada usuario y ordenar la línea de tiempo según sus intereses.

La Inteligencia Artificial también es un aliado en la lucha contra el extremismo, el acoso, las fake news y otras violaciones. En 2017, la plataforma suspendió más de 300,000 cuentas vinculadas al terrorismo a través de tecnologías de Inteligencia Artificial.

En Pinterest, el enfoque de la plataforma es lo visual. Por lo tanto, la visión computacional es la principal tecnología de Inteligencia Artificial usada para mejorar la experiencia del usuario.

Pinterest Lens, por ejemplo —que te permite usar la cámara de tu celular en búsquedas— ve imágenes casi como una persona.

por detrás de la inteligencia artificial en las empresas

Fuente: Towards Data Science

Los robots necesitan identificar patrones en las imágenes para hacer recomendaciones alineadas con la investigación y sus gustos e intereses.

Aquí, el pin de un extraño que posee lo que quieres encontrar tiene prioridad ante la publicación de un amigo. Es decir, la lógica de la curación de contenidos es diferente a la de Facebook; y esto se hace con deep learning sobre el uso de cada usuario en cada plataforma.

La intención no es solo recomendar fotos de armarios de dormitorio cuando se buscan “armarios de dormitorio”, sino también traer inspiración para decorar una habitación según el estilo de cada persona. Por tanto, la experiencia se vuelve mucho más valiosa.

10. Búsquedas personalizadas

La experiencia de búsqueda web ha cambiado mucho en los últimos años. Antes de Google, muchos motores de búsqueda ordenaban los resultados alfabéticamente. Fue Google y sus algoritmos los que comenzaron a clasificar los resultados en orden de relevancia para cada usuario.

¿Y cómo se hace eso? Con deep learning, los algoritmos aprenden cada vez más sobre los intereses de cada persona para comprender lo que quieren encontrar.

Pero para traer resultados relevantes, también es necesario comprender las intenciones de búsqueda de los usuarios y el contenido de las páginas web. Ahí es donde entra en juego una de las principales actualizaciones de Google en los últimos años: BERT.

Este es un algoritmo de procesamiento de lenguaje natural que desentraña lo que las personas escriben en las búsquedas y lo que contienen los sitios. Pero no se trata solo de identificar palabras; BERT comprende su significado, cómo se relacionan y qué intenciones hay detrás de ellas.

BERT también se combina con varios otros factores de posicionamiento de páginas para comprender cuáles ofrecen la mejor experiencia. De esa manera, Google logra ofrecer los mejores resultados para cada persona y cada búsqueda en los primeros lugares.

Estudio de caso de Business Intelligence

En un estudio de caso extraído de la encuesta AI in the Enterprise: Real Strategies for Artificial Intelligence de junio de 2018, Stripe, una plataforma de pago en línea, tenía como objetivo prevenir el fraude y mejorar la experiencia del cliente.

Básicamente, Stripe buscaba hacer que la economía fuese más accesible para las personas. La idea seguía la línea de Google Adwords, que hizo posible que cualquier empresa comenzara a anunciarse.

En este contexto, uno de los principales desafíos era reducir el fraude con la ayuda de las máquinas, que automatizaban las decisiones basándose en unos pocos miles de millones de datos de la plataforma. Para eso, el algoritmo de Stripe evaluaría metadatos sobre la empresa y sus transacciones.

Los mayores desafíos para aplicar la IA en las empresas

Como quedó claro a lo largo del texto, existen varios desafíos para la aplicación de la Inteligencia Artificial en las empresas, y la mayoría de ellos son estructurales.

Al menos, vale la pena recordar que la IA es aprendizaje automático y no una solución lista para usar. Adoptarlo en tu organización requiere conjuntos específicos de recursos y habilidades, como veremos a continuación:

La brecha de talento de la IA

Uno de los primeros retos de las organizaciones es encontrar talentos. Necesitarás tener un equipo con las habilidades técnicas necesarias para capacitar a los sistemas de Inteligencia Artificial: cómo usar los datos de marketing para optimizar las campañas o aprovechar los datos de soporte al cliente para automatizar los comentarios.

Este tipo de formación requiere habilidades muy particulares y, lamentablemente, los talentos en el mercado aún son escasos.

La creación de la cultura de la IA en las empresas

Si bien reclutar talentos es un gran desafío, incorporar la Inteligencia Artificial a la empresa puede ser más fácil.

Sin embargo, como se indicó, la organización puede encontrarse con problemas estructurales, como la investigación y el desarrollo a favor de la adopción de la IA en un entorno corporativo real.

La mayoría de las opciones de las empresas de TI son el software o el hardware que deseas utilizar para que realicen lo que necesitas.

El problema de la Inteligencia Artificial es que requiere mucha formación, al menos al principio, y trabajar con datos, para que se entreguen los resultados esperados.

En este sentido, será necesario invertir fuertemente en I&D (Investigación y Desarrollo) y esto no es algo que esté al alcance de la mayoría de empresas.

Después de todo, nunca tuvieron que hacer algo así para que la tecnología funcionara. En otras palabras, existen costos y la mayoría de las organizaciones no están preparadas para asumirlos.

¿Adoptar o esperar?

Frente a esta encrucijada la pregunta sigue siendo: ¿debemos adoptar la Inteligencia Artificial en la empresa o no? En general, hay cinco tipos de actores:

innovadores;
primeros en adoptar;
mayoría temprana;
mayoría tardía;
recién llegados.

Como regla general, la mayoría de los gerentes evitarán ser innovadores (dadas las incertidumbres, talentos y costos) o rezagados (en este caso, el resto de la industria ya habrá aprovechado el ROI de la IA).

Conclusión

Seguramente pudiste percibir todo lo que hay por detrás de la Inteligencia Artificial y cómo hacen parte de las actividades comunes en nuestra rutina, como por ejemplo usar las redes sociales o buscar algo en Google.

De hecho, la IA se ocupa de tecnologías aún alejadas de la realidad latinoamericana, como los coches autónomos y las ciudades inteligentes, pero también forma parte de las acciones más cotidianas.

Por ahora, la mayoría de las estrategias que utilizan Inteligencia Artificial están en manos de grandes empresas. Sin embargo, el camino de la transformación digital tiende a llevar este tipo de tecnología también a las pequeñas y medianas empresas.

Por lo tanto, ¡mantente atento! Ahora, aprovecha la oportunidad para descargar la tercera edición de Rock Content Magazine, en la cual presentamos las tendencias que expresan el futuro del contenido en las empresas, muchas de ellas vinculadas al avance tecnológico traído por la inteligencia artificial.

¿Con que programas de inteligencia artificial se pueden analizar los datos para mejorar su toma de decisiones de funcionamiento y comercialización?

La Inteligencia Artificial analiza los datos para mejorar la toma de decisiones de funcionamiento y comercialización mediante el análisis de datos sobre cualquier formato o función en particular, la automatización de procesos manuales, la entrega de resultados expresivos y la transformación de estrategias de negocios

Esto permite a las empresas mejorar sus estrategias diseñadas para atraer y atender a los clientes, así como facilitar la toma de decisiones empresariales.

Toda industria y negocio hoy requiere de una alta demanda de recursos de IA como:

• Sistemas de respuesta a preguntas de asistencia legal, búsquedas de pacientes, notificación de riesgos o investigación médica.

• Mejoras en el desempeño de tecnologías analíticas existentes, como la visión por computadora y el análisis de series temporales.

• Derribar obstáculos económicos, sociales o culturales como, por ejemplo, barreras de idiomas o traducción.

• Aumentar habilidades de visión, entendimiento, memoria, entre otros, para mejorar la productividad del trabajo.

¿Cuáles son los cuatro tipos de Inteligencia Artificial (IT) que debes conocer?

Arend Hinstze, profesor de Biología Integrada y Ciencias de la Computación de la Universidad de Michigan, estableció una clasificación de 4 tipos de Inteligencia Artificial para diseñar la máquina o software adecuado para cada actividad.

Máquinas reactivas: Puramente reactivas, estas máquinas no cuentan con la capacidad de formar recuerdos ni de utilizar experiencias pasadas para análisis de toma de decisiones.
Memoria limitada: Son máquinas o softwares que pueden tener concepciones del pasado, pero simplemente manejan información transitoria. Es decir, no guardan la información y por ende, no pueden compilar la experiencia de mucho tiempo, como lo hace un humano.
Teoría de la mente: La IA de esta clase de máquinas y softwares es más avanzada. Busca comprender cómo pensamos y sentimos para saber cómo comunicarse de forma natural con cada uno de nosotros y así, ajustar su comportamiento dependiendo de con quien se esté relacionando.
Autoconciencia: Es el objetivo final de la IA, hace referencia a construir sistemas que permitan a las máquinas o softwares crear representaciones de sí mismos. Su reto es comprender y replicar lo que es la conciencia, la memoria, el aprendizaje y la capacidad de tomar decisiones basadas en experiencias pasadas.

Usos de la Inteligencia Artificial en las empresas

Si actualmente tu empresa busca ser más competitiva y eficaz, debe pensar seriamente en la posibilidad de incluir la IA en la automatización de todos o algunos de sus procesos. Esto se traduce en ahorro de tiempo, reducción de costos, menor esfuerzo, agilidad en el ritmo de trabajo y consecución de metas de una forma más ágil.

Estas son algunas de las aplicaciones que puedes implementar en tu empresa para mejorar con Inteligencia Artificial:

Automatización de procesos: Muchas labores que se realizan manualmente las vas a poder programar y llevar a cabo en un menor tiempo y con menos recursos.
Análisis de datos: Vas a poder implementar un sistema informático que gestione, ordene y analice los datos estructurados de tu empresa.
Supervisión de datos: Con equipos de operaciones de TI puedes supervisar sistemas al integrar tu web, aplicaciones, rendimiento de la base de datos, la experiencia del usuario y los datos de registro en una plataforma basada en la nube que controla automáticamente los umbrales y detecta anomalías.
Apoyo al equipo de colaboradores: Las herramientas analíticas con una interfaz de usuario visual le permiten a tus colaboradores sin conocimientos técnicos, consultar fácilmente un sistema y obtener una respuesta comprensible.
Atención al cliente: Los chatbots utilizan el procesamiento del lenguaje natural para comprender a los clientes, entender sus preguntas y ofrecerles la información que necesitan. Estos chatbots aprenden con el paso del tiempo para que puedan agregar mayor valor a las interacciones con los clientes.
Corrección de errores: La mejora continua se te va a facilitar con sistemas informáticos, porque vas a detectar y corregir los errores más rápido, además de asegurarte que no se repitan.

¿Por qué viene creciendo tanto la Inteligencia Artificial (IT)?

En la mayoría de las industrias y compañías se ha priorizado en sus inversiones la integración de IA para mejorar su rendimiento y productividad en el mercado. Tres factores que han impulsado el desarrollo de IA son:

• La capacidad de cómputo asequible y de alto rendimiento disponible en la nube.

• La creación de herramientas para etiquetar datos y su facilidad y asequibilidad con la cual las organizaciones almacenan y procesan los datos de forma estructurada.

• La ventaja competitiva de aplicar los conocimientos de IA en los objetivos empresariales para tomar mejores decisiones en menor tiempo, reduciendo costos, tiempo y riesgos.

La IA es un imperativo estratégico para cualquier empresa que quiera obtener una mayor eficiencia, nuevas oportunidades de ingresos y aumentar la lealtad de los clientes. Se está convirtiendo rápidamente en una ventaja competitiva para muchas organizaciones. Con la IA, las empresas pueden cumplir más objetivos en menos tiempo, crear experiencias personalizadas y atractivas para los clientes y predecir los resultados comerciales para impulsar una mayor rentabilidad.

¿La Inteligencia Artificial (IA) presenta riesgos para las empresas?

A pesar de los diversos beneficios que ofrece la IA tanto para las empresas como para sus clientes, también existen riesgos que pueden ocasionar consecuencias no deseadas como:

• Problemas con los datos: Revelar información anónima, clasificar erróneamente algunos datos, borrar información importante, entre otros.

• Problemas con la tecnología: No identificar errores en las operaciones debido a la falta de datos en la interfaz del proceso.

• Problemas de seguridad: Si las medidas de seguridad son insuficientes, es posible crear identidades falsas, poner en riesgo información confidencial, entre otros.

• Mal comportamiento de modelos: Los propios modelos de IA pueden entregar resultados sesgados, inestables o arrojar conclusiones para las cuales no hay un recurso disponible.

• Problemas de interacción: La posibilidad de errores, accidentes o lesiones aumenta si fallan las interfaces entre personas y máquinas.

Para gestionar los riesgos, se vienen implementando procesos estructurados de control que incluyen:

• Claridad: Usar un método de identificación estructurado para detectar los riesgos más críticos.

• Amplitud: Implementar controles, normas, reglamentos y medidas robustas en toda la empresa. También es crucial capacitar e informar a los colaboradores de los posibles riesgos.

• Diferenciación: Reforzar controles específicos dependiendo de la naturaleza del riesgo.

• Y contar con transferencia de riesgos a través de pólizas que garanticen la continuidad de los negocios como seguros Cyber y/o de Responsabilidad Civil, entre otros. Aquí la asesoría del intermediario y la aseguradora son determinantes.

La Inteligencia Artificial en la industria de los seguros

Actualmente, las empresas y personas demandan que la gestión de sus riesgos se realice rápidamente y de forma personalizada. Con la implementación de IA en la industria de los seguros, las aseguradoras han podido crear experiencias de usuario encaminadas a las necesidades de cada uno de sus clientes.

Con innovación tecnológica, desde el reporte de eventos inesperados hasta el análisis de datos, la Inteligencia Artificial impacta positivamente el control de los riesgos a los que se puede ver enfrentada tu empresa al agilizar y optimizar las operaciones de las aseguradoras y el servicio al cliente.

Además de entregar una experiencia al cliente memorable, la IA en análisis de datos permite a las aseguradoras ser más competitivas. Con el uso de equipos tecnológicos innovadores y hardware de alto rendimiento capaz de almacenar datos de clientes y ventas, les permite ampliar coberturas con mayor demanda y potenciar áreas específicas, haciéndolas más rentables para la venta de seguros.

El Internet de las Cosas (IoT) innova el mercado de los seguros con IA

La Inteligencia Artificial hace parte del Internet de las Cosas (IoT), pues mientras los dispositivos IoT recolectan información y actualizan las bases de datos, la Inteligencia Artificial analiza e interpreta los datos para encontrar patrones, realizar predicciones y definir alertas, generando un monitoreo integral y efectivo en tiempo real.

El IoT presenta diversas aplicaciones, así como la integración con modelos de inteligencia artificial para atender soluciones puntuales de tipo operativo o de seguridad (por ejemplo: el monitoreo a un sistema de detección y alarma de incendios en una instalación que presente fallas, puede reportar su anomalía para su mantenimiento oportuno y que garantice la protección de la instalación al asegurado).

En Chubb, por ejemplo, el servicio de IoT se desarrolla mediante la identificación de una necesidad en gestión de riesgos de nuestros asegurados (basada en sus sistemas críticos de operación y/o seguridad), el desarrollo de una propuesta de arquitectura que transmite datos integrados a un modelo de inteligencia artificial y que permite la definición de alertas de manera oportuna y en tiempo real, para una actuación proactiva y preventiva ante condiciones de riesgo que requieran ser intervenidas oportunamente y prevenir pérdidas materiales e interrupción de la operación de nuestros asegurados y que impacten las pólizas contratadas.

Un evento, repórtalo en línea con IA

En el momento en que suceda un evento inesperado, el asegurado tiene la facilidad de informarlo a través de Reportalo.chubb.com.co Con un diseño visual amigable e intuitivo, esta plataforma le permite a nuestros clientes reportar en línea de forma práctica, rápida y segura, los eventos relacionados con pólizas de Hogar, Celulares, Desempleo, Tarjeta de Crédito, Accidentes/Salud, Compra Protegida, Viajes y Vida.

Esta herramienta digital, entrega un proceso de indemnización rápido, sencillo, sin filas, trancones, ni desplazamientos, lo cual es una muestra de lo efectivas que son las soluciones digitales en beneficio de nuestros asegurados.

Lo anterior, es una clara muestra del objetivo de las aseguradoras de seguir proporcionando servicios y soluciones que atiendan las expectativas y necesidades de los clientes finales, garantizando que la oferta de seguros se haga de manera simple, rápida e integral. Sin duda, la IA es una herramienta clave para poder ofrecer soluciones a nuestros clientes en el marco del actual ecosistema digital.

Operar en el comercio internacional requiere, además de un amplio conocimiento de toda la cadena, un equipo preparado para tomar la mejor decisión. Esta realización hecha de forma ágil y coordinada puede llevar a su empresa a conseguir grandes resultados en el segmento.

Para ello, existen métodos y tecnologías que pueden ayudar a su equipo en este sentido. La Inteligencia Artificial y el Machine Learning, por ejemplo, son posibilidades a explorar y que ofrecen resultados expresivos a la hora de recoger datos inteligentes.

De hecho, las decisiones que utilizan datos actualizados como base son innegablemente más asertivas y seguras. Sin embargo, esto permite alcanzar los objetivos trazados, según las necesidades de cada empresa.

Del mismo modo, las estrategias pueden redefinirse aprovechando la información coherente generada por el software. El uso de plataformas que agilizan y mejoran su rutina tiene como objetivo mejorar el rendimiento del equipo para lograr los mejores resultados para su negocio.

¿Vale la pena consultar los datos?

Ciertamente, hay varias formas de obtener datos inteligentes para la toma de decisiones en las organizaciones. En otras palabras, los datos se consideran actualmente activos valiosos para las entidades, ya que definen las direcciones a seguir.

A partir de esta información, la empresa puede actuar en las siguientes situaciones:

Apoyar la toma de decisiones con información precisa;
Permitir la consulta de historiales relacionados con productos vendidos o servicios prestados;
Aportar datos comparativos;
Entregar material fiable, que no está sujeto a percepciones momentáneas ni se debilita por diversas circunstancias, entre otros.

Estos datos evitan que las posibles desviaciones de los análisis generen percepciones incorrectas e incluso repercutan negativamente en las próximas decisiones que se tomen a partir del estudio de estos informes.

En otras palabras, después de recopilar y organizar la información proporcionada por las plataformas de BI, la dirección que debe tomar su equipo se vuelve más clara, permitiendo la realización de las mejores estrategias para que su negocio se adelante a la competencia.

Amplitud de datos y conocimientos más profundos para diseñar las mejores estrategias

Sobre todo, el análisis objetivo de los datos ayuda a identificar los escenarios más completos que pueden potenciar su negocio. Por lo tanto, las decisiones más eficaces son más factibles en todos los sentidos. En resumen: sí, los análisis realizados a partir de información personalizada e inteligente pueden indicar el camino para mejorar los resultados de la empresa en su conjunto.

De este modo, los responsables de la toma de decisiones tendrán a su alcance abundante información, como por ejemplo:

Conocimiento más profundo de los clientes;
Comprender los hábitos y el comportamiento de los consumidores;
Ofertas que pueden suponer un aumento de las ventas;
Comprender los perfiles de los clientes, así como la estacionalidad, la geografía y los factores ambientales
Previsión de hechos basada en la actividad histórica y en comparaciones;
Definición de direcciones, con indicación de revisión en las estrategias o continuidad del proceso.

La inteligencia artificial en la rutina de los responsables de la toma de decisiones

Apoyarse en un sistema de inteligencia artificial en el día a día del trabajo es una solución interesante para quienes necesitan tomar decisiones, sin embargo, el reto es grande. Esto se debe a que una vez que la empresa adopta la herramienta como recurso rutinario, es necesario emplear esta nueva cultura a todos los involucrados, para que el viaje sea exitoso.

Dicho esto, la dirección debe considerar que, a partir de ahora, las tareas del equipo abarcan:

Producir y aplicar datos en análisis frecuentes;
Extraer los resultados de estos análisis y actuar sobre las urgencias u oportunidades;
Percibir nuevas posibilidades para la toma de decisiones que antes no estaban claras;
Tomar decisiones siempre en base a los datos inteligentes extraídos, para resolver problemas o realizar acciones preventivas;
Medir la eficacia de las decisiones tomadas a partir de la información personalizada para comprobar si se han producido avances en la rutina.

El monitoreo de los datos es muy importante

Recibir datos estratégicos y saber organizarlos e interpretarlos hace que la toma de decisiones de su equipo sea más asertiva. Sin embargo, el concepto de supervisión de datos también entra en la lista de prioridades desde el momento en que se considera el uso de software de BI en su rutina.

Y en esta búsqueda incesante relacionada con la recopilación y el análisis de la información, algunos conceptos ayudan al responsable de la toma de decisiones:

Dashboards: cuadros de presentación de datos;
Business Intelligence (BI): base de datos que ayuda en el proceso de toma de decisiones de las empresas;
Big Data: analiza y obtiene información de conjuntos de datos demasiado grandes para ser examinados por los sistemas tradicionales;
Inteligencia Artificial (IA): similar a la inteligencia humana, pero desplegada por mecanismos o programas informáticos que recogen información y responden a ella.

Como vemos, las decisiones basadas en datos personalizados son más coherentes, minimizan los riesgos, generan más confianza en los equipos y permiten plantear acciones de innovación.

¿Cómo puede ayudarle Descartes?

El conjunto de soluciones de Descartes ayuda a las empresas a conseguir mayores índices de rendimiento, así como a reducir los costes, proporcionar información sobre los clientes potenciales y ayudar a su equipo a clasificar de forma más eficaz y a tomar decisiones de forma inteligente.

Y ya que hablamos del uso del Big Data, conoce Datamyne, una de nuestras plataformas que puede potenciar tu rendimiento en el comercio internacional. Se trata de una herramienta de Big Data que recoge las transacciones comerciales de más de 80 países en una interfaz única, sencilla e intuitiva

De este modo, tendrá a su disposición una de las mayores bases de datos del mundo. El software proporciona inteligencia procesable para la investigación de mercado, el conocimiento de las ventas, la gestión del Supply Chain, la mejora de la seguridad y la estrategia competitiva.

No pierda más tiempo, conviértase en líder de su segmento con las herramientas de Descartes. Hable con nuestros expertos y solicite una demo personalizada para su tipo de negocio.

¿Pensaste qué soluciones de la inteligencia artificial tendrían mayor impacto en tu negocio? Cada segundo, el fascinante mundo virtual se fusiona con la realidad cotidiana o tal vez con la aumentada. La tecnología propone herramientas que materializan escenas, por momentos inimaginables. Basada en datos, las aplicaciones de la IA están revolucionando las estrategias de comercialización.

Estamos viviendo ese futuro que proyectó, por ejemplo, Stanley Kubrick en su “2001: odisea del espacio”. Actualmente, nos encontramos en nuestro día a día con muchas situaciones que hace apenas años eran solo imaginarias. Realidad virtual, realidad aumentada e inteligencia artificial, entre otras herramientas tecnológicas, están mutando el paisaje social.

Seleccionar objetos o servicios desde un catálogo digital, comprar sin ir a la tienda o pagar sin efectivo apenas son una muestra pequeña de las cosas que hoy las tecnologías de la información y la comunicación (TICs) permiten realizar en el ámbito comercial.

El machine learning (sistemas que aprenden automáticamente) y otros programas de inteligencia artificial, confirman el extraordinario avance del conocimiento humano y anticipan las importantes transformaciones que se están viviendo en nuestras sociedades.

Según la firma de tecnología china Huawei, el mercado de la inteligencia artificial crecerá hasta alcanzar los 47 mil millones de euros en 2025. Solo entre 2016 y 2017, las inversiones en el sector se incrementaron un 300%.

Además, la empresa china asegura que las empresas cada vez más utilizan esta tecnología en sus organizaciones, representando un 38% la inclusión del recurso en 2017 y alcanzando el 62% en 2018.

Pero, ¿cómo actúa en verdad la magia de estas tecnologías en los negocios? Basadas en datos, estas herramientas pueden realizar tareas que habitualmente requieren de la inteligencia humana.

“Lo que se desprende de los datos es lo que está transformando las estrategias de comercialización y ventas”, asegura el director ejecutivo de Ingenio The Agency, Sergio Simone Fasanella.

Datos y más datos:

El ejecutivo de la agencia de innovación destacó que en el último encuentro “Panorama de la Transformación Digital de los Negocios”, organizado por la Cámara de la Industria Argentina de Software (CESSI), la inteligencia artificial copó el centro del debate de los expertos.

Solo en Argentina, el 30% de las empresas están realizando y planeando procesos que incluyen inteligencia artificial; mientras que un 45% de las grandes empresas están en etapas de prueba o bien ya han probado su implementación.

Inteligencia artificial, cuando la magia se hace realidad

En ese sentido, Simone Fasanella citó al presidente del CESSI, Aníbal Carmona, quien advirtió que aquellas organizaciones que comprendan a tiempo que “se está viviendo en un diluvio de datos”, podrán aprovechar las tecnologías para obtener una ventaja comparativa enorme.

Los expertos en marketing aseguran que la comunicación digital dominará el futuro. Luego de realizar sus primeros pasos hacia el ámbito digital, ahora las empresas están mirando detrás de escena para descubrir cómo potenciar el uso de los datos para mejorar su negocio.

Los que más saben:

De acuerdo con un informe de Adobe Systems, la inteligencia artificial aplicada al marketing mejora sustancialmente los indicadores de rendimiento.

Pero, ¿por qué Adobe habla de marketing? La respuesta es que en 2018 la firma líder en programas de edición dio el salto al e-commerce con la adquisición de la plataforma Magento. Además, cerró el año con la compra de la desarrolladora de software especializado para el sector de marketing, Marketo.

Estas importantes inversiones son una evidencia más de hacia dónde se está moviendo el mercado y las prácticas del marketing digital. Todo apunta a reforzar la experiencia de cliente a través de la capacidad de las empresas de ordenar el exceso de información y utilizarlo para tomar decisiones.

Pero,“para tomar decisiones basadas en datos es necesario aprovechar el poder de la tecnología”, insiste el director ejecutivo de Ingenio, Simone Fasanella. Además, y resalta la importancia de la AI en el descubrimiento de los patrones escondidos en los datos, para optimizar de esa forma el conocimiento de data driven marketing.

El uso correcto de la información de los clientes está directamente asociado a conocerlos mejor para brindar una comunicación estratégica personalizada. “Al utilizar las herramientas tecnológicas, lo que se busca es convertir el dato en conocimiento y, a su vez, el conocimiento en rentabilidad”, explica Simone Fasanella.

Según una encuesta realizada por la consultora PwC, sobre 500 responsables de toma de decisiones, el 31% afirmó que los asistentes personales virtuales serían la mejor solución basada en IA que tendría mayor impacto en su empresa.

En tanto, para el 29% las mejores opciones para sus negocios serían analistas de datos automatizados y para el 28% serían las comunicaciones automatizadas, como mensajes de correo electrónico y chatbots (software dotado de IA capaz de mantener una conversación en tiempo real con un usuario, adaptándose a sus respuestas).

La IA y el comportamiento predictivo:

Para Huawei, los principales usos de la inteligencia artificial se distribuyen en un 58% para análisis predictivos, un 26% para automatizar tareas, un 25% para informes y comunicaciones escritas automatizadas y otro 25% para reconocimiento y respuesta de voz.

Entre otros, la inteligencia artificial también podría aplicarse para: traducción en tiempo real, reconocimiento de objetos, personas y entornos, gestión de decisiones, biometría, análisis de textos y procesos robóticos automatizados.

A fines de 2017, Apple avanzó en la adquisición de software basado en inteligencia artificial y realidad aumentada para el desarrollo de sus productos. Su última incorporación fue Shazam, una app de reconocimiento de sonido y realidad aumentada.

Generalmente, este tipo de maniobras está vinculado a mejorar servicios existentes o crear nuevos. Como ocurrió con Face ID (Faceshift, Emotient y Perceptio), un sistema de desbloqueo por reconocimiento facial; Siri (VocalIQ), un asistente personal por voz o Maps(Coherent Navigation, Mapsense e Indoor.io), servicio de mapas.

Todo apunta a responder a las necesidades de los usuarios en forma automática, tiempo real y a gran escala, afirma el ejecutivo de Ingenio. “Debemos aprovechar el poder de la tecnología para complementar las habilidades humanas”, asegura.

Realidad personalizada, entre la experiencia y la emoción:

El crecimiento del marketing basado en la inteligencia artificial llevó a la gestión e integración de datos a un alto nivel de importancia para las organizaciones, advierte el Informe de Tendencias de Mercadotecnia 2019, elaborado por IBM Watson Marketing.

Por lo que las herramientas basadas en el aprendizaje automático, la inteligencia artificial que analizan los datos y factores externos que influyen en el comportamiento del consumidor, haciendo recomendaciones y predicciones, serán las iniciativas más significativas este año.

La hiper personalización o micro segmentación, no surge como acto de prestidigitación sino de la lectura de datos que permite establecer el comportamiento predictivo de un individuo. Los sistemas cognitivos –un estadio de la inteligencia artificial– son los que facilitan la individualización, a través de cada interacción, para que las empresas elaboren sus estrategias comerciales, explican los creativos en innovación de Ingenio.

“Mientras los humanos aún se encuentran manejando las estrategias y, principalmente, la creatividad, son las máquinas las que analizan, procesan y entregan contenido personalizado a gran escala”, afirma Simone Fasanella.

Por otro lado, advierte que en las amplias posibilidades que ofrecen los diferentes sistemas tecnológicos de recoger información de los clientes, las emociones surgen como oportunidades efectivas para establecer una nueva relación entre el consumidor y las compañías.

“Hoy más que nunca, a los consumidores les importa una relación holística con las marcas y las empresas, especialmente a los más jóvenes”, señala el ejecutivo de la agencia de innovación estratégica creativa.

La inteligencia emocional:

Según estudios académicos, citados por Youngmarketing.co, la inteligencia emocional de una persona es mucho más rápida que la racional, por lo que resulta un factor determinante para la toma de decisiones.

Cientos de compañías indagan el potencial expresivo de las emociones de los individuos para sus relaciones con los clientes. Por ejemplo, Stereomood o GhostlyDiscovery, dos plataformas de streaming de música, basan en el estado de ánimo de las personas la conformación de listas de reproducción.

Otras como iMotions ofrecen software de identificación de emociones basado en un sistema biométrico de reconocimiento facial. El sistema se enfoca en analizar las reacciones de las personas, por ejemplo, frente a la publicidad.

Se espera que este año, las organizaciones avancen firmemente en crear e impulsar la implementación de tecnologías que les permitan integrar los datos en una plataforma digital de datos de clientes (CDP).

Para el equipo creativo de Ingenio, las expectativas de los consumidores están en el punto más alto. Los profesionales del marketing, sin duda, están abordando un cambio de época donde el eje se sitúa en la forma en que se conecta e interactúa con la audiencia.

Hoy, las organizaciones tienen que trabajar no solo en captar la atención de los usuarios, sino en “ganar sus corazones”. Los consumidores cada vez más se involucran emocionalmente con las marcas, lo que significa que si las experiencias de los clientes desencadenan las emociones adecuadas las empresas pueden lograr una relación comprometida y a largo plazo.

Las cartas están hechadas:

Lo que parece un acto de magia tiene en la inteligencia artificial –como en otras tecnologías similares– sus predicciones, y los expertos saben que generarán más oportunidades de crecimiento económico.

Si bien la oferta actual de los proveedores locales está limitada a los procesos de transformación digital que realicen las empresas, el mercado regional se inclinó a incorporar la inteligencia artificial en: automatización de tarifas y precios, análisis predictivo, agentes virtuales o chatbots y en reconocimiento de voz.

En Ingenio podemos colaborar en la automatización de sus herramientas de marketing basadas en inteligencia artificial para el crecimiento de su negocio. Si quiere descubrir el manejo de la tecnología que mejor se adapta a su empresa, anímese y escríbanos hoy mismo a up@ingenioadn.com, estamos listos para diseñar una propuesta de valor a su medida.

Hay varios programas de Inteligencia Artificial que pueden ser utilizados para analizar los datos y así mejorar su toma de decisiones de funcionamiento y comercialización, algunos de ellos incluyen:

Google Analytics: es una plataforma de análisis web que permite a las cooperativas monitorear el rendimiento de sus sitios web y aplicaciones.
Tableau: es una plataforma de visualización de datos que permite a las cooperativas analizar sus datos de ventas y convertirlos en información visual.
SAP Lumira: es una plataforma de análisis de datos que permite a las cooperativas visualizar y explorar sus datos de ventas para tomar decisiones informadas.
Microsoft Power BI: es una plataforma de análisis de datos que permite a las cooperativas visualizar y comprender sus datos de ventas y transformarlos en información valiosa.
IBM Watson Analytics: es una plataforma de análisis de datos basada en IA que permite a las cooperativas analizar sus datos de ventas y predecir la demanda futura.

Estos son solo algunos ejemplos de los programas de IA que se pueden utilizar para analizar los datos y mejorar su toma de decisiones de funcionamiento y comercialización. Hay muchas otras herramientas disponibles en el mercado que pueden ser más adecuadas para sus necesidades específicas.

¿Un experto puede desarrollar un programa de inteligencia artificial para analizar los datos de estas empresas?

Sí, un experto en Inteligencia Artificial puede desarrollar un programa para analizar los datos Para ello, el experto debería tener un conocimiento profundo de algoritmos de aprendizaje automático, estadísticas y programación. Además, también es importante que el experto tenga conocimiento sobre el sector de la cooperativa y comprenda las necesidades específicas de la cooperativa en cuanto a su funcionamiento y comercialización.

Después de entender las necesidades de cada empresa, el experto puede desarrollar un programa de IA que utilice técnicas de análisis descriptivo, clustering, análisis predictivo y análisis de tendencias para ayudar a la cooperativa a tomar decisiones informadas sobre su funcionamiento y comercialización.

Después de la crisis de las pequeñas y medianas empresas en la actualidad, ¿Cómo pueden hacer estas para solucionarlo?

Después de una crisis hay varias estrategias que pueden ayudar a solucionar la situación y a recuperarse. Aquí hay algunas sugerencias:

Análisis de costos: revisar los costos y hacer ajustes donde sea necesario para asegurarse de que se están utilizando de manera eficiente los recursos.
Mejora de la eficiencia: identificar áreas en las que la cooperativa puede mejorar su eficiencia para reducir costos y mejorar la productividad.
Diversificación de productos: considerar la producción de nuevos productos o la diversificación en nuevos mercados para aumentar las oportunidades de ingresos.
Mejora de la calidad: es importante que la cooperativa siga produciendo aceites de alta calidad para mantener su reputación y atraer a nuevos clientes.
Marketing: desarrollar una estrategia de marketing efectiva para promocionar los productos de la cooperativa y aumentar la visibilidad de la marca.
Innovación: buscar formas de innovar y utilizar la tecnología para mejorar la eficiencia y reducir costos.
Colaboración: considerar la posibilidad de colaborar con otras cooperativas o empresas para compartir costos y mejorar la eficiencia.

Estas son solo algunas estrategias que se pueden considerar para solucionar una crisis y mejorar su situación. Cada empresa es única y las soluciones pueden variar dependiendo de las circunstancias específicas de cada una. Es importante que las empresas trabajen con expertos en finanzas y administración para determinar la estrategia más adecuada para su situación.

Las pequeñas empresas hoy como pueden cambiar de manera jerárquica a redarquia para que su funcionamiento sea más de acorde a la demanda de sus productos?

Las pequeñas empresas pueden adoptar una estructura organizativa más flexible, basada en una redes de trabajo, en lugar de una jerarquía rígida, para responder más efectivamente a la demanda de sus productos. Algunas acciones que pueden tomar incluyen:

Las estructuras organizativas flexibles son clave para el éxito de las empresas familiares, ya que permiten adaptarse a los cambios y nuevas necesidades de forma organizada

. Estas estructuras pueden ser nuevas estructuras organizativas flexibles rodeadas de una red de pequeñas empresas, individuos y otras institucione

, estructuras divisionales más flexibles que la jerárquica

, o diagramas simples con una escasa línea media de mando y comunicación directa entre las personas involucradas

La estructura organizativa ha de responder a las necesidades de la empresa en el momento presente y también a lo largo del tiempo. Aunque se caracterice por su sencillez, un esquema muy habitual en las pequeñas empresas, la solidez puede e idealmente debe ser un valor compatible con la flexibilidad para hacer frente a nuevas situaciones.

Adaptar la estructura organizativa a los cambios y nuevas necesidades permite amoldarse a las circunstancias de forma organizada, evitando un comportamiento caótico que resulte disfuncional y, en suma, haga perder competitividad y lleve a una dinámica negativa que amenace incluso la supervivencia de la empresa. Puesto que una empresa es algo vivo, en constante evolución, mantener la misma estructura que en sus inicios genera importantes problemas. En caso de producirse un aumento de tamaño, nuevas necesidades o cualquier otro cambio de escenario, no adaptar la estructura o hacerlo de forma inadecuada acabará obstaculizando un crecimiento que, con una estructura idónea, sería una fuente de riqueza y nuevas oportunidades de negocio. No en vano, la importancia de la estructura organizacional va más allá del simple reparto de roles. Como marco general de trabajo configura la forma de comunicarse y trabajar para conseguir las metas empresariales, dentro de una estrategia diseñada a partir de los principios expuestos en el protocolo familiar, que también ha de ser flexible y permitir su actualización.

Adaptarse a los cambios

Los principios latentes de la estructura organizacional son los que en realidad la determinan, y lo mismo ocure con los métodos y formas de trabajar o procesos que se establecen para su adecuado funcionamiento. De este modo, la alteración de la estructura organizativa también conlleva el cambio de esos principios clave que explican y dan sentido al organigrama, con el fin de mantener su flexibilidad y así dar respuesta a las nuevas necesidades de la empresa. Son muchos los elementos o factores que dejan caduca una estructura organizativa, desde las necesidades de los clientes, el crecimiento de la empresa o de un departamento concreto, la profesionalización de los trabajadores, las nuevas tecnologías o, cómo no, las cambiantes condiciones del mercado. En este último caso, las circunstancias pueden ser desde las exigencias logísticas de una decisión de internacionalización hasta las mismas presiones ejercidas por viejos o nuevos competidores.

Propiciar los cambios

Visto desde un enfoque opuesto, fundamentalmente ofensivo, el cambio también puede propiciarse a través de una estructura flexible que permita una actuación capaz de organizarse del modo requerido para conseguir una serie de metas, cuya consecución puede exigir, a su vez, nuevos cambios. Con este planteamiento, la estructura se consideraría no tanto un modo de adaptarse a los cambios, sino una forma estratégica de utilizar el capital humano y organizacional para lograr objetivos. Un método, en suma, que suponem realizar modificaciones en la distribución de responsabilidades, así como en la comunicación y disposición de los recursos. Cabe concluir, por lo tanto, que una empresa necesita una estructura organizacional dinámica y flexible para poder dar respuesta a los cambios que ha de afrontar o que pretende conseguir. Ser capaz de adaptarse, sin embargo, no es sólo cuestión de simple supervivencia, pues esa adaptación o modificación para lograr objetivos pueden acabar siendo una ventaja competitiva, clave para alcanzar el éxito.

Los diferentes tipos de estructuras organizativas de una empresa y cómo transformarlas

Publicado por Equipo de ThePowerMBA



Business



4 Comments(s)

Blog » Business » Los diferentes tipos de estructuras organizativas de una empresa y cómo transformarlas

Nuestra sociedad cambia a un ritmo acelerado. Cada vez los mercados sufren más cambios, tanto por la introducción de nuevas tecnologías como por la entrada de nuevos players con propuestas de valor muy adaptadas a los nuevos tiempos.

Muchas empresas, grandes y no tan grandes, pueden verse sobrepasadas por este entorno tan cambiante y posiblemente la mayoría no estén preparadas para innovar y adaptar su organización a esta nueva coyuntura, para así lograr ser competitivas.

Esto se debe a que sus estructuras organizativas son demasiado rígidas, demasiado verticales y jerárquicas. Unas estructuras que podían permitirse en mercados estables y no tan volátiles como los del siglo pasado, pero que son un verdadero lastre para competir en la actualidad.

En nuestro post de hoy queremos contarte cuales son los diferentes tipos de estructuras organizativas de una empresa, los beneficios e inconvenientes de cada una de ellas y nuestra recomendación final para lograr que tu empresa funcione lo mejor posible en el mercado actual.

¿Estás preparado? ¡Vamos a ello!

Indice de contenido [Mostrar]

¿Qué es la estructura organizativa de una empresa?

La estructura organizativa u organizacional de una empresa es cómo se estructura el sistema jerárquico dentro de una organización y que sirve para concretar las funciones y tareas de todos los miembros de una empresa así como la relación entre ellos.

Está muy relacionada con la cultura empresarial y con el estilo de liderazgo y realmente no existe una estructura organizacional mejor o peor que otra, sino que debes adaptar la estructura a tus objetivos, tu sector,etc.

¿Para qué sirven las estructuras organizativas?

Su principal función es establecer las características de la organización de la empresa y tiene como objetivo estructurar el sistema de trabajo dentro de la misma.

Sirve para definir todos los procesos, organigramas, jerarquías y departamentos dentro de una empresa, es decir, definir cómo se gestiona el grupo de personas que forman la compañía.

El concepto de Organimetría

Es una herramienta que sirve para establecer la jerarquía, el orden y las posiciones de trabajo en una empresa para alcanzar las metas de la organización.

Ayuda a medir los sistemas organizacionales proporcionando una imagen realista de la organización con el objetivo de conocerla mejor y tener una idea clara de la forma en la que se estructura.

Muestra la división de las funciones, los niveles jerárquicos, los canales de comunicación internos, los puestos de responsabilidad por departamento, las relaciones existentes entre puestos y departamentos de la empresa… entre otras muchas cosas.

Diferencias entre las estructuras organizacionales verticales y horizontales

Queremos destacar las principales diferencias entre las estructuras organizacionales verticales (o jerárquicas) y las horizontales (o planas).

Las estructuras jerárquicas son útiles cuando la eficiencia es la clave del negocio y los entornos en los que actúa la empresa son muy estables.

Esto cada vez es menos común ya que en cualquier sector actualmente las organizaciones necesitan ser creativas e innovadoras. Por ello, la tendencia es a organizaciones más planas, más flexibles y con una mejor comunicación interna.

Las estructuras jerárquicas son más verticales, hay mas niveles o rangos entre la dirección y los empleados de más abajo, al contrarios que las organizaciones horizontales o más planas.

Por lo tanto, existen diferentes ventajas e inconvenientes en las organizaciones jerárquicas.

Beneficios de estos tipos de estructuras y cuando utilizar cada una

Las estructuras organizacionales jerárquicas permiten ser mas eficientes, y funcionan muy bien en un entorno en el que no hay incertidumbre, en el que todo es muy repetitivo y no hace falta innovar. Estas estructura te aporta mucho control sobre la organización.

Pero los mercados son cada vez mas dinámicos y cada vez es más difícil ser competitivo con este tipo de estructura organizativa ya que es un sistema muy poco flexible por lo que innovar es muy difícil.

En cambio, las estructuras horizontales te permiten adaptarte al cambio y poner en marcha muchos más proyectos. Te permite tener una organización y cultura más creativa. Las información fluye mucho mejor entre personas y departamentos en este tipo de organizaciones y la gente está más motivada.

Es importante combinar esta estructura con la llamado adhocracia, una cultura empresa que fomente la autonomía y la toma de decisiones individua.

También un aspecto importante a tener en cuenta es que en las planas toda la organización está más cerca del cliente, es más fácil que tu empresa sea cliente céntrica.

En una estructura muy vertical en el que hay muchos niveles la información no le llega a la parte de arriba que toma las decisiones importantes lo que hace que muchas veces no conozcan a los clientes.

Los 3 tipos básicos de estructuras organizativas en una empresa

S

¿Cómo sería cursar uno de nuestros másters?

¡Lo mejor es que lo pruebes tú mismo con estas clases totalmente GRATIS! Apúntate y vive la experiencia de formar parte de la escuela de negocios que ha puesto en jaque al modelo educativo tradicional.

Existen 3 tipos de estructuras organizativas que han sido los más frecuentemente utilizados en las últimas décadas y que siguen vigentes en la mayoría de empresas hoy en día:

Estructura organizativa FUNCIONAL

Las empresas que optan por este modelo se estructuran en función de las distintas funciones que hay en una empresa, por departamentos (marketing, ventas, sistemas…) .

Esta ha sido la estructura más utilizada durante el siglo pasado ya que el mercado permitía una mayor estabilidad dentro de las organizaciones y por tanto las empresas mantenían la misma forma de producir, en cierta manera más estandarizada.

Ventajas de la estructura organizativa FUNCIONAL

Son estructuras mas sencillas.
Se producen muchas sinergias entre empleados ya que tienen habilidades similares y se entienden muy bien.
Funcionan bien en entornos estables.

Desventajas de la estructura organizativa FUNCIONAL

Poco alineado con los objetivos estratégicos: (miden su productividad, sus objetivos, no tienen que tener en mente los objetivos de toda la empresa).
La comunicación es deficiente entre departamentos.

Estructura organizativa DIVISIONAL

Las empresas que apuestan por esta forma de organización se estructuran por zonas geográficas, por productos…

En los años 80, las compañías empezaron a descentralizarse en divisiones por líneas de negocio/productos

Ventajas de la estructura organizativa DIVISIONAL

Más alineada con los objetivos de la empresa.

Desventajas de la estructura organizativa DIVISIONAL

Pueden darse ineficiencias.
Hay menos sinergias por función.
Se pueden dar duplicidades en los costes.
No se genera un aprendizaje conjunto.

Estructura organizativa MATRICIAL

Es un mix de las estructuras funcionales y divisionales y casi todas las organizaciones se han decantado por este tipo de estructura en los últimos años.

Se divide en dos: por funciones y por divisiones, por ejemplo un empleado debería reportar a dos jefes, el funcional y el de otra división o país.

Ventajas de la estructura organizativa MATRICIAL

Alineada con objetivos de la organización pero aprovechando las sinergias entre departamentos.

Desventajas de la estructura organizativa MATRICIAL

Línea de poder poco clara.

La estructura organizacional por proyectos

Este tipo de estructura es una tendencia imparable y por la que cada vez más empresas apuestan para adaptarse al mercado tan cambiante en el que nos encontramos, tanto por los nuevos competidores que surgen constantemente como por los cambios tecnológicos.

Independientemente de si tu estructura es funcional, divisional o matricial, este modelo se basa en crear proyectos, crear organizaciones temporales formadas por personas que pueden estar en diferentes departamentos o países para que trabajen en un objetivo común.

El problema de estas divisiones es que tienes expertos funcionales en cada una de las divisiones.

Ventajas de la estructura organizativa MATRICIAL

Mayor agilidad y flexibilidad.
Mayor motivación: los trabajadores tienen una misión concreta en un plazo concreto y que tiene un impacto.
Máxima comunicación.

Desventajas de la estructura organizativa MATRICIAL

Poco aprendizaje entre proyectos.
Duplicidad de roles.

El consejo de ThePowerMBA para optimizar la estructura organizativa de tu empresa

Desde ThePowerMBA apostamos por la estructura organizativa POR PROYECTOS y te queremos hacer una recomendación: divide tu empresa en mini organizaciones / equipos / empresas más pequeñas y orientadas a los clientes.

Este enfoque puede tener un impacto enorme en el rendimiento de tu empresa. Intenta que todo el mundo en la organización se sienta un empresario, es decir, crea equipos pequeños que tengan autonomía y poder decisión total.

Alrededor del 40% de las organizaciones más que aportar destruyen valor (especialmente en las más jerárquicas) y en las organizaciones mas modernas puede pasar del 40 al 10% es posible.

Existen 4 factores causante de esta falta de eficiencia:

Se hacen tareas pero que no están alineadas con los objetivos estratégicos y orientadas a la creación de valor real.
Cuanto mayor es la estructura, más pesada y menos ágil se vuelve una empresa.
Los mandos intermedios, en muchos casos, destruyen valor porque hacen que la empresa se vuelve menos cliente-céntrica.
Cuanta más gente tiene la empresa, más estructura y más burocracia,

Consejos para reestructurar el modelo organizativo de tu empresa

Crea mini- empresas dentro de tu empresa: con muy pocas personas, muy manejables (máximo 50-60 personas).
Si tu negocio es estable, asígnale a cada mini-empresas un objetivo y unas funciones duraderas. Si tu negocio es más innovador y dinámico, ademas de esas unidades de negocio organízalo por proyectos (misiones más temporales).
Empodera a los empleados y dales autonomía: busca gente con talento que sea capaz de tomar sus propias decisiones. De esta manera, como hemos mencionado antes, los empleados se van a sentir en cierta forma como empresarios y estarán mucho más motivados (asígnales una cuenta de resultados y que sean partícipes de los beneficios, las ventas etc.)
Esta estructura tendrá dos niveles: una estructura horizontal de miniempresas y una capa superior formada por los líderes que definen la visión estratégica de la empresa.

Ventajas de este modelo:

Alineación con los objetivos
Agilidad e innovación
Motivación
Cercanía con el cliente

Ejemplos de estructuras organizativas de empresas

Coca Cola: tiene una estructura organizativa divisional geográficamente. Para cada mercado cuenta con una estructura propia lo que le permite estar muy alineada con los objetivos generales de la empresa (Coca Cola Europa, Latinoamérica, Asia…)
Amazon: tiene una estructura organizativa funcional en la que los empleados están organizados por departamentos y áreas como finanzas, marketing, ventas etc. lo que permite a la empresa generar muchas sinergias entre empleados y ser muy competitiva en un entorno estable en la que son lideres y con mucha diferencia. Esto hace que la empresa sea muy eficiente a cambio de sacrificar cierta autonomía por parte de los trabajadores.
Google: tiene una estructura organizativa divisional por productos en la que existen diferentes divisiones en función de la línea de negocio (Gmail, Google Maps…). Por otra parte, mantiene una cierta estructura descentralizada en la que los empleados cuentan con mucha autonomía y poder de decisión, y además están muy orientados a resultados.
Apple: tiene una estructura organizativa jerárquica que le permite tener un control exhaustivo sobre el negocio. Además tiene una estructura divisional por producto (App store, Iphone, Ipad…) y fomenta la autonomía y el poder de decisión de los empleados para lograr innovar y crear.

Fomentar la colaboración y el trabajo en equipo: La creación de equipos cross-funcionales y la fomentación de la comunicación abierta y la colaboración pueden ayudar a las pequeñas empresas a responder más eficazmente a la demanda de sus productos.
Hacer un uso más efectivo de la tecnología: Las pequeñas empresas pueden adoptar tecnologías como el análisis de datos, el aprendizaje automático y la inteligencia artificial para mejorar la toma de decisiones y la eficiencia en la producción y la comercialización.
Fomentar la innovación: Las pequeñas empresas pueden fomentar la innovación alentando a los empleados a proponer soluciones creativas y a experimentar con nuevos enfoques y tecnologías.
Reevaluar constantemente los procesos: Las pequeñas empresas deben reevaluar constantemente sus procesos y procedimientos para identificar oportunidades de mejora y optimización.
Promover la flexibilidad: Las pequeñas empresas pueden adoptar un enfoque más flexible en la asignación de tareas y responsabilidades, permitiendo a los empleados trabajar en proyectos que les interesen y en los que tienen habilidades específicas.

Qué programas de inteligencia artificial vamos a utilizar para pasar de la gestión y el funcionamiento jerárquico a otro redarquico en pequeñas empresas?

Hay diferentes programas de inteligencia artificial que se pueden utilizar para apoyar la transición de un modelo jerárquico a uno redarquico en pequeñas empresas. Estos incluyen:

Algoritmos de aprendizaje automático: que pueden ayudar a identificar patrones y tendencias en los datos de la empresa para tomar decisiones más informadas.
Sistemas de inteligencia artificial de asistencia: que pueden apoyar a los empleados en sus tareas diarias, liberando su tiempo para trabajar en proyectos más importantes.
Chatbots: que pueden mejorar la interacción con los clientes, respondiendo a sus preguntas y proporcionando información de manera rápida y eficiente.
Análisis de sentimentos: que pueden ayudar a las empresas a entender cómo los clientes perciben sus productos y servicios.

Es importante destacar que cada empresa es única y puede requerir diferentes programas de inteligencia artificial para apoyar su transición. Por lo tanto, es recomendable consultar a un experto en IA para identificar la mejor solución para su caso en particular.

¿Qué programas podemos encontrar?

Los programas de inteligencia artificial pueden ayudar a pasar de la jerarquía a la redarquía mejorando la toma de decisiones

, proporcionando estrategias para liderar en la era de la inteligencia artificial, comprendiendo cómo afecta la era de la colaboración a las organizaciones y potenciando a las personas que viajan en el viaje de transformación digital.

La interoperabilidad entre la Inteligencia Artificial (IA) y el metaverso se refiere a la capacidad de diferentes sistemas IA y plataformas de metaverso para trabajar juntos de manera efectiva y sin problemas técnicos. Esto es importante para aprovechar al máximo el potencial de ambas tecnologías y para permitir a los usuarios acceder a una amplia variedad de contenido y servicios.

La IA puede usarse para mejorar la experiencia del usuario en el metaverso al proporcionar una mayor personalización y adaptabilidad. Por ejemplo, se pueden usar algoritmos de aprendizaje automático para adaptar el contenido y los desafíos en función de las habilidades y preferencias de cada usuario, o se pueden utilizar técnicas de procesamiento del lenguaje natural para mejorar la interacción entre los usuarios y los avatares en el metaverso.

Por otro lado, el metaverso puede proporcionar un ambiente para la formación y el aprendizaje de la IA al permitir a los desarrolladores y los investigadores probar y entrenar modelos de IA en un entorno virtual que se asemeja al mundo real. Además, el metaverso puede proporcionar una plataforma para la investigación en IA, permitiendo a los científicos investigar nuevos algoritmos y técnicas en un entorno controlado.

En resumen, la interoperabilidad entre la IA y el metaverso permite mejorar la experiencia del usuario, aumentar la eficiencia y mejorar la investigación en ambas tecnologías.

Existen varios problemas que pueden surgir cuando la Inteligencia Artificial (IA) es de pago. Algunos de ellos son los siguientes:

Accesibilidad: El precio puede ser un obstáculo para aquellas personas o organizaciones con recursos limitados, lo que puede dificultar el acceso a las herramientas y servicios de IA. Esto puede conducir a una brecha digital entre aquellos que tienen acceso a la IA y aquellos que no lo tienen, y puede limitar el alcance y el impacto de la tecnología.
Innovación: El enfoque en el lucro puede desalentar la innovación y el desarrollo de nuevos algoritmos y aplicaciones de IA, ya que las empresas pueden estar más interesadas en maximizar sus ingresos a corto plazo en lugar de invertir en investigación y desarrollo.
Diversidad: Si solo un pequeño grupo de empresas y organizaciones tienen acceso a las herramientas y servicios de IA, esto puede limitar la diversidad de perspectivas y enfoques en el desarrollo y uso de la tecnología.
Transparencia: Las empresas pueden tener poco incentivo para compartir información sobre cómo funcionan sus algoritmos y modelos de IA, lo que puede dificultar la comprensión y la regulación de la tecnología.
Responsabilidad: Si las empresas están más interesadas en maximizar sus ingresos a corto plazo, esto puede dificultar que asuman la responsabilidad de garantizar que sus productos y servicios de IA sean éticos y no causen daños a los individuos o la sociedad.
Exclusión: Puede generar una exclusión social, económica y tecnológica a aquellas personas que no pueden acceder a estos servicios, generando una brecha en el acceso a la información y el conocimiento.

En conclusión, el hecho de que la IA sea de pago puede tener consecuencias negativas para la accesibilidad, la innovación, la diversidad, la transparencia, la responsabilidad y la inclusión. Es importante considerar estos problemas al desarrollar y utilizar la tecnología, y buscar maneras de garantizar que la IA sea accesible para todos y se use de manera ética y responsable.

Para lograr un cambio real en la educación, es necesario un cambio cultural y de valores, no solo la introducción de nuevas tecnologías. El aprendizaje debe ser visto como un proceso continuo y colaborativo en lugar de un evento puntual. Es necesario fomentar la creatividad y la pensamiento crítico en lugar de enseñar solo el contenido. Es importante involucrar a los estudiantes en el proceso de tomar decisiones y en la creación de contenido, y no solo como receptores pasivos de información.

La inteligencia artificial (IA) puede ayudar a transformar la educación de varias maneras. Por ejemplo, se puede utilizar para personalizar el aprendizaje para cada estudiante, adaptando el contenido y el ritmo de aprendizaje para adaptarse a sus necesidades individuales. También se puede utilizar para automatizar tareas administrativas, como la evaluación del rendimiento y el seguimiento del progreso, lo que permite a los maestros dedicar más tiempo a la interacción directa con los estudiantes.

Sin embargo, la implementación de la IA en la educación también plantea desafíos y preocupaciones, como la privacidad de los datos de los estudiantes y la posibilidad de reemplazar a los maestros humanos con tecnología. Es importante abordar estos desafíos a medida que se desarrollan y utilizan nuevas tecnologías educativas basadas en IA.

Transformación e innovación educativas

La transformación y la innovación educativas son procesos continuos que buscan mejorar la calidad de la educación y hacerla más accesible para todos. Esto puede incluir la implementación de nuevas tecnologías, el desarrollo de nuevos enfoques pedagógicos y la creación de programas y políticas que promuevan la igualdad educativa.

La innovación educativa puede incluir la incorporación de la tecnología en el aula, como el uso de plataformas en línea y aplicaciones móviles para mejorar el aprendizaje personalizado. También puede incluir la implementación de enfoques pedagógicos más flexibles y adaptativos, como el aprendizaje basado en proyectos y el aprendizaje basado en la investigación.

La transformación educativa puede incluir la creación de programas y políticas que promuevan la igualdad educativa, como la inversión en educación en comunidades marginadas y la promoción de la diversidad y la inclusión en el aula. También puede incluir cambios en la estructura de la educación, como la implementación de sistemas de educación a distancia y la creación de escuelas abiertas y no tradicionales.

En resumen, la transformación e innovación educativa buscan mejorar la educación y hacerla más accesible, relevante y efectiva, mediante la implementación de nuevas tecnologías, metodologías, programas y políticas educativas.

La inteligencia artificial (IA) tiene el potencial de tener una gran influencia en un cambio de paradigma en la educación, ya que puede ayudar a mejorar la personalización del aprendizaje, la eficiencia y la efectividad de la educación. Algunas formas en las que la IA podría influir en la educación incluyen:

Personalización del aprendizaje: las tecnologías de IA, como los sistemas de recomendación, pueden ayudar a los estudiantes a encontrar contenido y recursos relevantes para sus necesidades y niveles de habilidad individuales, lo que mejora la personalización del aprendizaje.
Análisis de datos: los sistemas de IA pueden recolectar y analizar grandes cantidades de datos sobre el rendimiento de los estudiantes y el uso de los recursos educativos, lo que permite a los educadores identificar patrones y tendencias en el aprendizaje y adaptar su enseñanza en consecuencia.
Automatización de tareas: algunas tareas educativas, como la evaluación de los estudiantes y la retroalimentación, pueden ser automatizadas mediante el uso de IA, lo que permite a los educadores dedicar más tiempo a la interacción personal con los estudiantes.
Aprendizaje automático: IA también puede ser utilizada para mejorar el aprendizaje automático y la adaptación automática de los sistemas educativos, lo que permite a los estudiantes aprender de manera más eficiente y efectiva.

Sin embargo, es importante tener en cuenta que la IA no es una solución mágica para todos los problemas educativos. Es importante tener en cuenta la ética y la privacidad en el uso de IA en educación. Es necesario también una planificación y una evaluación adecuadas para determinar cómo mejorar la educación mediante el uso de IA.

¿Qué tipo de relación tiene la Inteligecncia y el metaverso en una educación centrada en el estudiante?

La inteligencia artificial (IA) y el metaverso (un espacio virtual interactivo generado por ordenador) pueden tener una relación importante en una educación centrada en el estudiante. Algunas formas en las que estos dos conceptos podrían interactuar incluyen:

Personalización del aprendizaje: los sistemas de IA pueden utilizarse para analizar el rendimiento y las necesidades individuales de los estudiantes y adaptar el contenido y la estrategia de enseñanza en consecuencia. El metaverso también puede proporcionar un entorno de aprendizaje personalizado, permitiendo a los estudiantes explorar y experimentar con el contenido de una manera que sea significativa para ellos.
Aprendizaje colaborativo: el metaverso puede proporcionar un entorno de aprendizaje colaborativo en el que los estudiantes pueden interactuar entre sí y con el contenido de una manera que sea más natural y significativa. Los sistemas de IA pueden utilizarse para analizar las interacciones entre los estudiantes y proporcionar retroalimentación y orientación para mejorar el aprendizaje colaborativo.
Experiencias de aprendizaje inmersivas: el metaverso puede proporcionar un entorno de aprendizaje inmersivo en el que los estudiantes pueden experimentar con el contenido de una manera más tangible y significativa. Los sistemas de IA pueden utilizarse para adaptar el contenido y el entorno de aprendizaje en función del rendimiento y las necesidades individuales de los estudiantes.
Evaluación automatizada: Los sistemas de IA pueden utilizarse para evaluar automáticamente el rendimiento de los estudiantes y proporcionar retroalimentación en tiempo real en el metaverso, lo que permite a los educadores adaptar su enseñanza en consecuencia.

Sin embargo, es importante tener en cuenta que el uso de IA y el metaverso en la educación requiere una planificación adecuada y una evaluación continua para asegurar que estas tecnologías están mejorando el aprendizaje y no distrayendo a los estudiantes. Es importante también considerar la ética y la privacidad en el uso de IA y el metaverso en educación.

¿Cómo la Inteligencia artificial puede conseguir el cambio de roles entre docentes y estudiantes?

La inteligencia artificial (IA) puede ayudar a conseguir un cambio de roles entre docentes y estudiantes de varias maneras:

Personalización del aprendizaje: los sistemas de IA pueden utilizarse para analizar el rendimiento y las necesidades individuales de los estudiantes y adaptar el contenido y la estrategia de enseñanza en consecuencia. Esto permite a los estudiantes trabajar a su propio ritmo y en su nivel de habilidad, lo que les da más control sobre su aprendizaje.
Autoevaluación y autoenseñanza: los sistemas de IA pueden proporcionar retroalimentación automatizada y recursos para que los estudiantes puedan evaluar su propio rendimiento y aprender de manera autónoma. Esto puede ayudar a los estudiantes a desarrollar habilidades de pensamiento crítico y a tomar la iniciativa en su propio aprendizaje.
Aprendizaje colaborativo: los sistemas de IA pueden ayudar a los estudiantes a colaborar entre sí y con el docente, lo que permite un aprendizaje más activo y participativo. Los estudiantes pueden trabajar juntos en proyectos y proporcionar retroalimentación mutua, lo que les ayuda a desarrollar habilidades de comunicación y trabajo en equipo.
Evaluación automatizada: los sistemas de IA pueden utilizarse para evaluar automáticamente el rendimiento de los estudiantes y proporcionar retroalimentación en tiempo real, lo que permite a los docentes adaptar su enseñanza en consecuencia. Esto puede ayudar a los estudiantes a recibir una retroalimentación más precisa y oportuna, lo que les ayuda a mejorar su rendimiento.

Sin embargo, es importante tener en cuenta que el uso de IA en la educación requiere una planificación adecuada y una evaluación continua para asegurar que esta tecnología está mejorando el aprendizaje y no distrayendo a los estudiantes. Es importante también considerar la ética y la privacidad en el uso de IA en educación. Además, es importante que el docente esté capacitado y tenga las habilidades necesarias para usar estas herramientas para poder aprovecharlas al máximo.

¿Cómo podemos relacionar la educación con el trabajo con la intervención de la Inteligencia artificial?

La inteligencia artificial (IA) puede relacionar la educación con el trabajo de varias maneras:

Personalización de la formación: los sistemas de IA pueden utilizarse para analizar las necesidades y habilidades de los trabajadores y adaptar la formación en consecuencia. Esto permite a los trabajadores recibir una formación más relevante y eficaz, lo que les ayuda a desarrollar las habilidades necesarias para su trabajo.
Identificación de oportunidades de empleo: los sistemas de IA pueden utilizarse para analizar las habilidades y experiencia de los trabajadores y sugerir oportunidades de empleo adecuadas. Esto puede ayudar a los trabajadores a encontrar empleos que se adapten a sus habilidades y objetivos profesionales.
Automatización de tareas: los sistemas de IA pueden utilizarse para automatizar tareas repetitivas y tediosas, lo que permite a los trabajadores dedicar más tiempo a tareas de mayor valor añadido y mejorar su rendimiento en el trabajo.
Mejora de la toma de decisiones: los sistemas de IA pueden utilizarse para analizar datos y proporcionar información valiosa para la toma de decisiones en el trabajo. Esto puede ayudar a los trabajadores a tomar decisiones más informadas y eficaces en su trabajo.
Aprendizaje continuo: los sistemas de IA pueden utilizarse para proporcionar recursos y retroalimentación automatizada para el aprendizaje continuo de los trabajadores, lo que les ayuda a mantenerse actualizados con las habilidades necesarias para su trabajo.

Sin embargo, es importante tener en cuenta que la IA no puede reemplazar completamente al trabajador humano, sino que puede ayudar a mejorar su rendimiento. Además, es importante considerar la ética y la privacidad en el uso de IA en el lugar de trabajo. Es importante también considerar que el uso de IA en el trabajo requiere una planificación adecuada y una evaluación continua para asegurar que esta tecnología está mejorando el trabajo y no distrayendo a los trabajadores.

¿De qué maneras la Inteligencia artificial va a transformar la universidad y la empresa?

La inteligencia artificial (IA) tiene el potencial de transformar la universidad y la empresa de varias maneras:

Personalización de la educación: los sistemas de IA pueden utilizarse para analizar las necesidades y habilidades individuales de los estudiantes y adaptar el contenido del curso en consecuencia. Esto permite a los estudiantes recibir una educación más relevante y eficaz, lo que les ayuda a aprender de manera más eficiente.
Identificación de oportunidades de empleo: los sistemas de IA pueden utilizarse para analizar las habilidades y experiencia de los estudiantes y sugerir oportunidades de empleo adecuadas. Esto puede ayudar a los estudiantes a encontrar empleos que se adapten a sus habilidades y objetivos profesionales.
Automatización de tareas: los sistemas de IA pueden utilizarse para automatizar tareas repetitivas y tediosas, lo que permite a los profesores y empleados dedicar más tiempo a tareas de mayor valor añadido y mejorar su rendimiento en el trabajo.
Mejora de la toma de decisiones: los sistemas de IA pueden utilizarse para analizar datos y proporcionar información valiosa para la toma de decisiones en la universidad y la empresa. Esto puede ayudar a los profesores, administradores y empleados a tomar decisiones más informadas y eficaces.
Aprendizaje continuo: los sistemas de IA pueden utilizarse para proporcionar recursos y retroalimentación automatizada para el aprendizaje continuo de los estudiantes y empleados, lo que les ayuda a mantenerse actualizados con las habilidades necesarias para su trabajo.

Sin embargo, es importante tener en cuenta que la IA no puede reemplazar completamente al profesor o al empleado humano, sino que puede ayudar a mejorar su rendimiento. Además, es importante considerar la ética y la privacidad en el uso de IA en la universidad y la empresa. Es importante también considerar que el uso de IA en la universidad y la empresa requiere una planificación adecuada y una evaluación continua para asegurar que esta tecnología está mejorando el trabajo y no distrayendo a los estudiantes y empleados.

¿De qué maneras la Inteligencia artificial va a conseguir que se pase de la jerarquía a la redarquía tanto en la gobernanza de las organizaciones como en el aprendizaje y el trabajo?

La inteligencia artificial (IA) puede ayudar a pasar de la jerarquía a la redarquía en varias maneras:

Mejora de la toma de decisiones: los sistemas de IA pueden utilizarse para analizar datos y proporcionar información valiosa para la toma de decisiones en las organizaciones, lo que permite a los miembros de la organización tomar decisiones más informadas y colaborativas.
Automatización de tareas: los sistemas de IA pueden utilizarse para automatizar tareas repetitivas y tediosas, lo que permite a los miembros de la organización dedicar más tiempo a tareas de mayor valor añadido y mejorar su rendimiento en el trabajo.
Fomento de la colaboración: los sistemas de IA pueden utilizarse para facilitar la comunicación y la colaboración entre los miembros de la organización, lo que permite a los miembros de la organización trabajar de manera más eficiente y efectiva.
Aprendizaje continuo: los sistemas de IA pueden utilizarse para proporcionar recursos y retroalimentación automatizada para el aprendizaje continuo de los miembros de la organización, lo que les ayuda a mantenerse actualizados con las habilidades necesarias para su trabajo.
Identificación de oportunidades de mejora: los sistemas de IA pueden utilizarse para analizar los datos de la organización y detectar patrones y tendencias, lo que permite a los miembros de la organización identificar oportunidades de mejora y tomar medidas para mejorar su rendimiento.

En términos de aprendizaje y trabajo, la IA puede ayudar a pasar de un enfoque basado en la transmisión del conocimiento a un enfoque centrado en el aprendizaje y el desarrollo personal. Los sistemas de IA pueden utilizarse para analizar las necesidades y habilidades individuales de los estudiantes y adaptar el contenido del curso en consecuencia, lo que permite a los estudiantes aprender de manera más eficiente y personalizada. En el trabajo, la IA puede ayudar a los empleados a desarrollar sus habilidades y mejorar su rendimiento a través de recursos de aprendizaje automatizados y retroalimentación.

Sin embargo, es importante tener en cuenta que la IA no puede reemplazar completamente al liderazgo humano y la colaboración, sino que puede ayudar a mejorar el rendimiento de estos aspectos…

¿De que maneras la Inteligencia artificial favorecerá la inclusión en la vida social, educativa, laboral y tecnológica de la Sociedad del Siglo XXI?

La Inteligencia Artificial puede tener un impacto significativo en la inclusión en la sociedad del siglo XXI al proporcionar acceso a información y recursos a personas con discapacidades o barreras geográficas, permitiendo una mayor personalización de la educación y el trabajo para adaptarse a las necesidades individuales, y mejorando la eficiencia y la precisión de los servicios públicos para reducir las disparidades sociales. Además, la IA puede ayudar a identificar y abordar las desigualdades existentes, como la discriminación en el lugar de trabajo o la falta de acceso a servicios básicos en áreas desfavorecidas. Sin embargo, es importante tener en cuenta que la implementación de la IA debe ser ética y responsable para evitar exacerbación de las desigualdades existentes.

¿Que habilidades críticas necesitamos con la Inteligencia artificial dentro de una Educación disruptiva?

Con la incorporación de la Inteligencia Artificial (IA) en la educación, se espera que se desarrollen habilidades críticas en los estudiantes, entre las cuales se pueden mencionar:

Pensamiento crítico: La capacidad de analizar, evaluar y sintetizar información para tomar decisiones informadas.
Resolución de problemas: La habilidad para identificar problemas, buscar y evaluar información, y proponer soluciones.
Trabajo en equipo: La capacidad de colaborar y comunicarse efectivamente con otros miembros del equipo para alcanzar metas comunes.
Aprendizaje continuo: La disposición a aprender continuamente a medida que cambian las habilidades y el conocimiento necesarios para el éxito en un mundo en constante evolución.
Habilidades digitales: La capacidad de utilizar las herramientas digitales para realizar tareas, aprender y comunicarse.
Empatía y liderazgo: La habilidad de ponerse en el lugar de los demás, comprender sus perspectivas y tomar decisiones que promuevan el bienestar de todos.
Creatividad e innovación: La capacidad de pensar fuera de lo convencional, generar ideas nuevas y aplicarlas para resolver problemas.

En una educación disruptiva, estas habilidades críticas son esenciales para poder aprovechar al máximo las oportunidades y enfrentar los desafíos de un mundo cada vez más digital y automatizado.

José Cabrera:

Las palabras son importantes y, obviamente, necesitamos nuevas palabras para representar la nueva realidad. Por eso propongo que utilicemos el concepto redarquía para comprender mejor cómo afecta la Era de la Colaboración a nuestras organizaciones, y para explicar cómo gestionar los nuevos procesos colaborativos de creación de valor. Este nuevo concepto también nos ayudará a entender mejor las noticias que todos los días encontramos en los medios de comunicación, y que hablan de un cambio de poder y autoridad en nuestras organizaciones.

En esta conversación trataremos de explicar cómo esta nueva estructura “redárquica” aspira a completar las lagunas de un modelo jerárquico que, sin embargo, no desaparecerá, sino que seguirá operativo para reflejar la estructura de delegación de autoridad en las organizaciones, y para preservar la responsabilidad, la capacidad de decisión y la rendición de cuentas.

La jerarquía como punto de partida

Todos conocemos el concepto de jerarquía, y estamos familiarizados con él. Según Wikipedia, la jerarquía es el “orden de los elementos de una serie según su valor” y “puede aplicarse a personas, animales o cosas”. Si entramos en el contexto de las organizaciones, podemos afinar bastante más nuestra definición: el concepto de jerarquía se utiliza para designar la cadena de mando que comienza con los gestores de alta dirección y sigue hasta los trabajadores no-gestores, pasando, sucesivamente, por todos los niveles de la estructura organizativa.

Por tanto, la jerarquía es un orden basado en una cadena de mando. A través de la jerarquía se establecen las relaciones de autoridad formal entre los superiores y sus subordinados, y se define la estructura organizativa de cualquier organismo.

Si lo pensamos bien, para construir las organizaciones jerárquicas actuales hemos tomado como modelo las estructuras ya existentes, muy singularmente el ejército. No es de extrañar, puesto que las jerarquías, tal y como hoy las entendemos, surgieron para resolver dos problemas clave de la Era Industrial: la eficiencia y la escalabilidad. La producción masiva exigía un ejército ordenado de operarios que cumpliesen fielmente las órdenes de sus superiores.

Pero el tiempo no pasa en balde, y las circunstancias que nos rodean han cambiado por completo. La eficiencia y la escalabilidad -problemas que en su momento fueron clave para el surgimiento de las organizaciones jerárquicas- han dejado de ser centrales, y han sido sustituidos por nuevos valores como la colaboración, el compromiso, la transparencia, la creatividad y la innovación.

Con todo y con eso, el principal problema con el que nos enfrentamos es que estas organizaciones jerárquicas han acabado convertidas en auténticas organizaciones de poder. En teoría, este poder está alineado con los intereses reales de la organización; es decir, el poder actúa por el bien de todos. Pero a medida que las instituciones se han vuelto más complejas y opacas, ese poder ha dejado de servir a los intereses de la organización y, en muchas ocasiones, ha pasado a obedecer casi exclusivamente a los intereses personales de una casta dirigente, tal y como podemos comprobar cada día a través de los medios de comunicación.

La necesidad de un nuevo orden

Creo sinceramente que los modelos mentales que hoy sostienen nuestras organizaciones van en la dirección equivocada. No nos están ayudando a crear valor. Cuanto más nos aferramos a las jerarquías tradicionales, más nos alejamos de las enormes posibilidades que nos brinda la nueva era de la colaboración para crear organizaciones ágiles y flexibles, donde podemos dar lo mejor de nosotros mismos y crear valor económico y social de forma sostenible.

El hecho es que no podemos enmarcar la realidad actual utilizando las estructuras jerárquicas tradicionales, sencillamente porque son piezas que no encajan. Tampoco podemos seguir empeñados en aplicar soluciones que, si bien fueron oportunas en su día, surgieron para resolver problemas que ya no son centrales para avanzar hacia el futuro. Los nuevos espacios de comunicación -los blogs, wikis y redes sociales- están teniendo un impacto real en los entornos de trabajo, en los procesos y en la estructura de nuestras organizaciones. Las nuevas generaciones de Nativos Digitales aprenden, procesan la información, innovan, colaboran y hacen las cosas de forma sustancialmente distinta a las generaciones anteriores. Su incorporación a nuestras organizaciones tendrá, sin duda alguna, profundas implicaciones, en la medida en que generará nuevas formas de trabajar y de crear valor. Está claro, por tanto, que necesitaremos un nuevo orden para dar respuesta a estos nuevos retos.

Jerarquía y redarquía

La jerarquía es un orden impuesto (de arriba abajo) que establece las relaciones de autoridad y poder formal entre superiores y subordinados en el seno de las organizaciones tradicionales. La redarquía, en cambio, es un orden emergente (de abajo arriba) que surge como resultado de las relaciones de participación y los flujos de actividad generados en los entornos colaborativos.

La redarquía establece, pues, un orden alternativo en las organizaciones. Un orden no necesariamente basado en el poder y la autoridad de la jerarquía formal, sino en las relaciones de participación y los flujos de actividad que, de forma natural, surgen en las redes de colaboración, basadas en el valor añadido de las personas, la autenticidad y la confianza.

El mero hecho de colaborar y compartir de igual a igual genera interacciones, propuestas y soluciones innovadoras, y permite que la actividad se traslade, de forma natural, a los nodos en los que realmente se está aportando valor a la organización. En otras palabras, la decisión no desciende desde arriba, en cascada, sino que emerge desde abajo, fruto de las relaciones de colaboración.

La jerarquía tiene un carácter marcadamente unidireccional: las relaciones se producen entre dos agentes, pero uno de ellos -el superior- hace valer su poder para imponer su visión al otro -el subordinado-. En la redarquía, en cambio, las relaciones son multidireccionales, como en una red: los agentes se relacionan los unos con los otros de forma abierta, y el trabajo se realiza de forma distribuida, aprovechando las conexiones entre los diferentes nodos de generación de valor.

Lo esencial es entender que la jerarquía se basa en un orden de poder impuesto, y que la redarquía se basa en un orden emergente de colaboración; la primera se se basa en órdenes y relaciones de dependencia, en las que el superior administra los recursos, mientras que la segunda se basa en conversaciones; la jerarquía, en fin, está basada en premios y castigos, y la redarquía se fundamenta en el reconocimiento y la autoestima de sus miembros.

La redarquía es la estructura propicia para resolver los problemas complejos a los que nos enfrentamos, porque es capaz de abordar el problema desde una perspectiva global, en la que todos los agentes involucrados formamos parte del problema en la misma medida en que formamos parte de la solución.

Este modelo asume que la solución no va a bajar del cielo, tampoco de la cúspide de la pirámide en la que se encuentra el líder todopoderoso. Muy al contrario. Es la colaboración en redes abiertas de todos los agentes la que genera nuevas interacciones, la que hace aflorar todas las propuestas, y la que, en última instancia, hace posible que la solución emerja de forma natural, de abajo arriba.

Propiedades de las estructuras redárquicas

Estas son, pues, las propiedades que definen y caracterizan a las estructuras redárquicas:

– Colaboración. La colaboración es la forma más poderosa de crear valor. La nueva plataforma tecnológica -la web 2.0- nos permite construir la inteligencia colectiva. Todos podemos participar de forma voluntaria, en pie de igualdad, creando y compartiendo desde cualquier lugar, de forma colaborativa y global, en redes basadas en la confianza.

– Autogestión. Cada agente dispone de autonomía para tomar sus propias decisiones, y para gestionar su aportación al interés común. La coordinación se realiza por adaptación mutua, compromiso y colaboración. El modelo redárquico hace posible que autonomía y control no sean términos antagónicos -tal y como teníamos asumido- sino conceptos compatibles y complementarios, necesarios en la evolución de nuestras organizaciones.

– Transparencia. La transparencia de la información es el ingrediente fundamental, la auténtica clave para la emergencia del orden redárquico. Todos los elementos que forman parte de la red conocen la aportación de cada uno de los miembros. La transparencia del valor añadido es el camino mas directo hacia la consecución de los objetivos compartidos.

– Emergencia. Las soluciones no son el resultado de acciones planificadas desde la cúpula de la organización, sino que emergen de forma natural, de abajo arriba, fruto de la acción de esfuerzos pioneros locales y de la interacción en redes abiertas. El intercambio de información y el aprendizaje colaborativo en redes produce un efecto multiplicador: de los esfuerzos individuales -aparentemente irrelevantes- en distintos puntos de la red, surgen de repente cambios muy significativos y soluciones innovadoras a los retos complejos a los que se enfrenta la organización.

– Coherencia. La transparencia de las conversaciones en red nos permite mantener la coherencia y la continuidad entre la visión, la misión y los valores de la organización, siempre con el compromiso puesto en la acción. Como sistemas auto-referenciados, las estructuras redárquicas se adaptan a los cambios del entorno manteniendo su identidad y valores. Es lo que conocemos como autopoiesis.

– Participación. El liderazgo y la innovación es una tarea que debe ser compartida por todos. Todos los agentes aportan en una redarquía. El proceso de creación es participativo, por lo que podemos decir que el sentido de pertenencia y el compromiso con la acción es mayor en las organizaciones redárquicas.

– Interdependencia. Todos los puntos de la red están conectados. Lo que ocurre en un punto de la red afecta a todos los otros puntos de la red. De ahí que la redarquía tome conciencia de todos los problemas -sociales, económicos, medioambientales- que afectan al mundo en su conjunto.

– Apertura. A diferencia de las jerarquías, las redarquías son estructuras abiertas capaces de auto-organizarse en función de la tarea a realizar. Precisamente una de las propiedades fundamentales de los sistemas abiertos es que no buscan la estabilidad, sino la interacción con el entorno, por lo que necesitan un cierto grado de desequilibrio para poder cambiar y crecer.

– Adaptabilidad. Basándose en la retroalimentación o feedback, la estructura redárquica es capaz de adaptarse de forma continua, en tiempo real, a un entorno que cambia constantemente. Frente a la planificación milimétrica, y al “aquí lo hemos hecho siempre así”, se impone el “hazlo realidad”, el “menos es más”, el sentido común, y la capacidad de cambiar rápidamente para adaptarse a las nuevas necesidades y nuevos desafíos de la sociedad.

– Libertad. Cuanto mayor es el grado de libertad, mayor es la estabilidad de la organización. Creamos un orden redárquico cuando en lugar de ocultar los conflictos y las contradicciones inherentes a toda relación humana, estimulamos la libertad para expresarlos. Al no existir un control central que prohiba los pequeños y constantes cambios locales, la estructura de la organización permite muchos niveles de autonomía, y contribuye a preservar así su estabilidad global.

– Confianza. No hay redarquía sin colaboración y no hay colaboración sin confianza. En la Era de la Colaboración, una organización solo puede ser verdaderamente competitiva cuando aprovecha al máximo las nuevas formas de hacer, y los nuevos modelos de colaboración que nos ofrece las tecnologías sociales y esto solo es posible dentro de una cultura de confianza, la confianza es esencial para generar interacciones productivas entre las personas y entre la organizaciones.

– Aprendizaje. El aprendizaje colectivo es una capacidad fundamental de las estructuras redárquicas. Para dar este paso, las organizaciones deben fomentar las conversaciones valientes, asumiendo que estas conversaciones constituyen una forma de aprendizaje en sí mismas; deben reconocer los modelos mentales que residen detrás de las posiciones individuales; y deben facilitar la búsqueda y la experimentación continua de nuevas formas, modelos mentales y herramientas para abordar los retos del futuro.

Redarquía vs jerarquía: estructuras complementarias

Es muy importante entender que el nuevo orden emergente no va acabar con las jerarquías. Simplemente, va a completarlas y a mejorarlas, haciéndolas más transparentes y eficaces, dotándolas de las herramientas necesarias para aprovechar al máximo las posibilidades de colaboración, y proporcionándoles un sistema capaz de resolver los problemas complejos.

No se trata, por tanto, de dos modelos excluyentes, sino de dos estructuras complementarias. De hecho, las jerarquías siguen siendo fundamentales en las organizaciones a la hora de establecer el vínculo entre alineamiento, apoderamiento y “accountability”. Eso es así porque no está nada claro que la toma de decisiones, y la asunción de responsabilidades, puedan ser asumidas siempre de forma colectiva.

El orden redárquico no pretende, pues, suplantar la estructura de poder ni el orden jerárquico tradicional de las organizaciones. La redarquía sí es incompatible, en cambio, con el uso arbitrario y personalista del poder, y con la utilización que muchas personas han hecho de la jerarquía y de la burocracia para obtener un provecho propio.

Estos abusos destruyen valor en nuestras organizaciones. Crean organizaciones injustas y desmotivan a las personas. De hecho, creo que la mayoría de los conflictos entre redarquía y jerarquía surgirán en la línea que separa a los que quieren preservar los privilegios y el poder de la clase burocrática de aquellos que aspiramos a construir un mundo menos orientado al poder, más justo, equitativo y sostenible»

Existen muchas visiones de la Transformación Digital, una de ellas es la que expone José Luis Vallejo en estas breves palabras:

Digitaliza Activos. Aligera peso para el viaje. Los activos digitales se transportan mejor.
Adopta Metodologías Ágiles. Dale al equipo un GPS y que elija su camino para llegar al destino.
Define nuevos productos y servicios digitales. Que el equipo aproveche las paradas del camino, para descubrir espacios donde puedan desarrollarse nuevos negocios.
Potencia a la gente que viaja ligera, se adapta al terreno, es curiosa, creativa y te propone nuevos destinos.

Como podéis ver coincide en varios puntos con la visión que venimos compartiendo desde hace tiempo que en Futurizable:

La transformación digital de las empresas comienza por las personas.
La transformación digital obliga a las empresas a poner a los clientes como prioridad.
La transformación digital requiere de una estrategia de apertura.
La transformación digital necesita de nuevas metodologías de trabajo.
La transformación digital implica analizar, entender y aprovechar los datos.
La transformación digital implica aprovechar las tecnologías exponenciales.
La transformación digital requiere del desarrollo de nuevos modelos de negocio disruptivos.

Descubre la Redarquía

Otra visión que nos ha parecido especialmente interesante, por cómo se adapta a la realidad de muchas empresas tradicionales en las que existe una gran resistencia a adoptar los cambios que propone la transformación digital, es la Redarquía, el nuevo modelo de organización del trabajo en la era de la agilidad desarrollado por José Cabrera.

La redarquía es un nuevo paradigma que traza un nuevo camino audaz para construir las organizaciones del futuro. Una nueva estructura organizativa pensada para un nuevo mundo interconectado. La redarquía complementa las estructuras organizativas heredadas del pasado y proporciona un enfoque sistemático para mantenernos competitivos cuando el cambio es discontinuo y el futuro es cada vez menos una extrapolación del pasado. Para competir y ganar en un mundo de cambios acelerados, necesitamos una segunda arquitectura organizativa basada en la red, que permita a las organizaciones innovar, adaptarse e interactuar con la nueva realidad, y que complemente a la jerarquía para que esta pueda hacer, aquello que esta optimizada hacer.

Para conocer mejor este modelo de organización te recomendamos la siguiente entrevista que hemos hecho a su creador José Cabrera y en la que podrás descubrir por qué cuando queremos transformar una organización es mejor hacerlo teniendo en cuenta que habrá una gran resistencia al cambio y que por lo tanto tenemos que contar con los recursos adecuados para que esto no impida que se produzca esa transformación tan necesaria:

Hay una amplia variedad de programas de inteligencia artificial disponibles en el mercado. Algunos de los más comunes son:

TensorFlow: una plataforma de código abierto para el desarrollo de modelos de aprendizaje profundo.
Keras: una biblioteca de aprendizaje profundo escrita en Python que permite la construcción y entrenamiento de modelos complejos.
PyTorch: una biblioteca de código abierto de aprendizaje profundo que facilita la creación y entrenamiento de modelos complejos.
Dialogflow: una plataforma de inteligencia artificial para desarrollar chatbots y aplicaciones de conversación.
IBM Watson: una plataforma de inteligencia artificial de IBM que incluye una amplia gama de herramientas para análisis de texto, análisis de datos, aprendizaje automático y mucho más.

Estos son solo algunos ejemplos, existen muchas otras opciones disponibles en el mercado que pueden ser más adecuadas para la tarea específica que una pequeña empresa quiere realizar. Es importante evaluar cuidadosamente las opciones disponibles y seleccionar el programa que mejor se adapte a las necesidades de la empresa.

¿Cómo que factores analizara la inteligencia artificial para cambiar el modelo de la pequeña empresa y poder mejorar su productividad, producción, gestión de personal y burocracia interna y externa en sus procesos inventariales y declaración de impuestos?

La inteligencia artificial puede analizar diversos factores para mejorar la productividad, producción, gestión de personal, y burocracia interna y externa en las pequeñas empresas. Estos factores incluyen:

Datos de producción: Se pueden analizar los datos históricos de producción para identificar patrones y tendencias, y utilizarlos para mejorar la planificación de la producción y la eficiencia.
Datos de personal: Se pueden utilizar algoritmos de IA para analizar los datos de los empleados, como su productividad, satisfacción laboral, y desempeño, y utilizar esta información para mejorar la gestión del personal.
Datos de inventario: Se pueden utilizar algoritmos de IA para analizar el inventario y identificar áreas de mejora, como la optimización de los niveles de inventario y la minimización de los costos de almacenamiento.
Datos de impuestos: Se pueden utilizar algoritmos de IA para analizar los datos fiscales y ayudar en la optimización de la declaración de impuestos y el cumplimiento de las obligaciones fiscales.

Estos son solo algunos de los factores que se pueden analizar con la inteligencia artificial para mejorar los procesos y la eficiencia en las pequeñas empresas.

¿Cómo puede hacer la inteligencia artificial para que una pequeña empresa pase de basarse en la oferta a hacerlo en la demanda?

La inteligencia artificial puede ayudar a las pequeñas empresas a cambiar su enfoque de la oferta a la demanda analizando datos y tendencias del mercado, de los clientes y de sus propios procesos de producción y ventas. Por ejemplo, mediante el análisis de datos de ventas y comportamiento de los clientes, la IA puede identificar patrones y preferencias, lo que permitirá a la empresa adaptar su oferta para satisfacer las necesidades y deseos de los clientes. Además, la IA puede ayudar a optimizar los procesos internos, identificar áreas de mejora y tomar decisiones más eficientes y informadas sobre la gestión de inventarios, la planificación de la producción y la declaración de impuestos. En resumen, la IA puede ayudar a las pequeñas empresas a ser más orientadas a la demanda, lo que puede mejorar su productividad, eficiencia y competitividad en el mercado.

Las máquinas analógicas y digitales siempre se han utilizado para ayudar a diseñadores de entornos laborales a calcular los rendimientos del trabajo y para automatizar tareas, un objetivo que hoy se persigue a través de herramientas y aplicaciones de inteligencia artificial (IA). ¿Qué tipos de «inteligencia» se espera que desarrollen las tecnologías? ¿Cómo se utilizan los datos personales obtenidos por máquinas y cómo se hacen deducciones sobre tipos de inteligencia a partir de ellos? Siempre se ha recopilado información sobre las actividades de los trabajadores y de los aspirantes a un puesto de trabajo, y se vigilan sus movimientos físicos y sus sentimientos, así como el uso que hacen de las redes sociales. Hoy, el big data se emplea para entrenar algoritmos que predicen talentos y habilidades, vigilan el rendimiento, fijan objetivos y valoran resultados; también pueden poner en contacto a trabajadores y clientes, juzgar estados de ánimo y emociones o proporcionar formación modular en la planta de producción. ¿Cómo se ha convertido la IA en un elemento clave de este proceso de toma de decisiones?

En este contexto, ¿qué riesgos tendrán que afrontar los trabajadores en un entorno natural digitalizado en el que la IA se ha integrado por completo?

El rendimiento en el trabajo siempre ha sido objeto de vigilancia y supervisión cuando el beneficio global de la empresa es la motivación que determina la relación laboral y los empleados aspiran a disfrutar de una vida digna y feliz costeada con su esfuerzo y su compromiso con su empleador, quien les paga un salario. Hoy, sin embargo, las relaciones laborales están cambiando y ha aparecido un nuevo tipo de «actor». Las máquinas, tanto analógicas como digitales, se han usado a lo largo de la historia para ayudar a los diseñadores de entornos laborales a calcular los rendimientos del trabajo y, también, para automatizar las tareas, un objetivo que hoy se persigue a través de la introducción de herramientas y aplicaciones de IA. Algunas máquinas han adquirido nuevas responsabilidades e incluso autonomía, y se espera que manifiesten diversas formas de inteligencia humana y tomen decisiones relacionadas con los trabajadores mismos.

La figura 1 explica a grandes rasgos dónde y cómo se están introduciendo las tecnologías en el entorno laboral, los tipos de «inteligencia» que se espera que manifiesten estas tecnologías y, por último, la manera precisa en que quienes gestionan las máquinas sacan conclusiones sobre tipos de inteligencia a partir de la información obtenida. Ahora que la IA ha asumido el protagonismo, los responsables emplean los últimos avances de distintas maneras. Se almacena información acerca de las actividades de los trabajadores y los aspirantes a un puesto de trabajo a lo largo del tiempo: sus llamadas telefónicas, el uso que hacen de los ordenadores y de las «tarjetas inteligentes», y últimamente se vigilan y se supervisan hasta los movimientos físicos y los sentimientos, así como la actividad en redes sociales.

En el ámbito de los recursos humanos, la información recopilada, que cuando alcanza un volumen lo bastante elevado se denomina big data, se utiliza para entrenar algoritmos capaces de realizar predicciones relacionadas con el talento y la capacidad de los trabajadores y los candidatos; para supervisar, evaluar y estimular el rendimiento; para fijar objetivos y valorar los resultados del trabajo; para poner en contacto a los trabajadores con los clientes; para juzgar estados de ánimo y emociones; para proporcionar formación modular en el lugar de producción; para encontrar patrones de comportamiento dentro de la plantilla, por ejemplo relacionados con las enfermedades, y para muchas cosas más.

A la luz de estas innovaciones, en este artículo explicaremos a grandes rasgos cómo se está introduciendo la IA en los procesos de decisión e identificaremos los riesgos a los que se enfrentan los trabajadores en la actualidad, riesgos que deben ser reconocidos tanto por los legisladores como por quienes contratan a los trabajadores. (Ver figura 1).

1. ANÁLISIS DE RECURSOS HUMANOS (PEOPLE ANALYTICS): GESTIÓN DEL CAPITAL HUMANO Y SUPERVISIÓN DEL RENDIMIENTO

La IA es actualmente el ámbito más novedoso y prometedor para la gestión de los entornos laborales y de los trabajadores. El 40% de los departamentos de Recursos Humanos de las empresas grandes y pequeñas utilizan aplicaciones mejoradas mediante IA. La mayoría de estas compañías son estadounidenses, pero algunas organizaciones europeas y asiáticas también se han subido al tren. Un estudio de PricewaterhouseCoopers revela que cada vez son más las empresas globales conscientes del valor de la IA en la gestión de la fuerza laboral (PwC, 2018). Afirma, además, que el 32% de los departamentos de personal de las compañías tecnológicas y de otra índole está rediseñando sus organizaciones con ayuda de la IA para optimizar «la adaptabilidad y el aprendizaje con miras a integrar mejor las conclusiones extraídas de la información que aportan los empleados y de la tecnología» (Kar, 2018). Un informe reciente de IBM (IBM, 2018) muestra que la mitad de los directores de Recursos Humanos encuestados prevén y reconocen el potencial de la tecnología en operaciones relacionadas con la gestión de personal, así como su utilidad para localizar y desarrollar el talento. Un estudio de Deloitte concluye que el 71% de las compañías internacionales consideran que el análisis de recursos humanos es una de las prioridades de sus organizaciones (Collins et al., 2017), porque no solo proporcionará ideas valiosas para el negocio, sino que también ayudará a gestionar lo que se ha dado en llamar el «problema de las personas».

Este «problema de las personas» también se define a veces como los «riesgos de las personas» (Houghton y Green, 2018). Estos riesgos poseen, según un informe del Chartered Institute for Personnel Development (CIPD), varias dimensiones (ibíd.):

gestión del talento
salud y seguridad
ética de los empleados
diversidad e igualdad
relaciones entre empleados
continuidad laboral
riesgos para la reputación

El análisis de recursos humanos es una práctica de recursos humanos cada vez más popular que utiliza los macrodatos y las herramientas digitales para «medir, comunicar y entender el rendimiento de los trabajadores, ciertos aspectos relacionados con la planificación del personal, la gestión del talento y la gestión de las operaciones» (Collins et al., 2017). Cada sector y cada organización requiere un departamento de Recursos Humanos que se encargue de tareas como reclutar personal, elaborar contratos o gestionar las relaciones entre trabajadores y empleadores.

Existe cierta discrepancia respecto al papel de los departamentos de Recursos Humanos. Para unos, su función debe ceñirse a cuestiones burocráticas, mientras que otros defienden un papel prominente en operaciones comerciales y ejecutivas

Está claro que existe cierta discrepancia respecto al papel de los departamentos de Recursos Humanos, pues hay quienes argumentan que su función debe ceñirse a cuestiones burocráticas, mientras que otros defienden un papel prominente en operaciones comerciales y ejecutivas. El análisis de recursos humanos abarca estas dos dimensiones de recursos humanos, pues la informatización, la recopilación de datos y las herramientas de supervisión permiten a las organizaciones llevar a cabo un «análisis en tiempo real según las necesidades del proceso empresarial [y favorecen] una comprensión más profunda de los problemas y de los conocimientos prácticos de los que se puede beneficiar la empresa» (ibíd.). Los algoritmos de predicción que se aplican en estos procesos a menudo están en una «caja negra» (Pasquale, 2015), lo que significa que la gente no entiende del todo su funcionamiento, pero, aun así, concede a los programas informáticos la autoridad para hacer «predicciones por excepción» (Agarwal et al., 2018). El concepto «predicción por excepción» hace referencia a los procesos mediante los cuales los ordenadores gestionan grandes paquetes de datos para hacer predicciones fiables basadas en información rutinaria y continua, pero también para identificar casos atípicos e incluso para enviar notificaciones que le «dicen» al usuario cuándo es necesario establecer controles o cuándo se requiere asistencia o incluso intervención humana.

El análisis de recursos humanos, que en inglés también se conoce como human analytics, se define a grandes rasgos como el uso de datos individualizados sobre personas para ayudar a directivos y a profesionales de Recursos Humanos a tomar decisiones en materia de contratación: seleccionar candidatos, evaluar a los trabajadores, considerar posibles ascensos, identificar cuándo hay riesgo de que las personas dejen su empleo y seleccionar futuros líderes. El análisis de recursos humanos se utiliza también para gestionar el rendimiento de los trabajadores. En esta sección, analizaremos en primer lugar los aspectos del análisis de recursos humanos relacionados con la gestión del capital humano, es decir, la contratación y la predicción del talento. En segundo lugar, nos adentraremos en el campo de la gestión del rendimiento.

1.1 Gestión del capital humano

Las prácticas de recursos humanos con IA aumentada pueden ayudar a los empleadores a obtener información aparentemente objetiva sobre las personas antes incluso de contratarlas, siempre que logren acceder a datos sobre los trabajadores potenciales; lo cual posee importantes repercusiones para la confección de mecanismos de protección de los empleados y para la prevención de riesgos laborales, de seguridad y de salud a nivel individual. En una situación ideal, la herramienta del análisis de recursos humanos puede ayudar a los empleadores a tomar decisiones correctas acerca de sus empleados. De hecho, la toma de decisiones algorítimica del análisis de recursos humanos puede usarse para apoyar a la fuerza de trabajo si se combina información sobre el rendimiento de los empleados, las retribuciones y los costes de la fuerza de trabajo con una estrategia de negocio específica y con el apoyo a trabajadores específicos (Aral et al., 2012; citado en Houghton y Green, 2018, p. 5). Se debería empoderar hasta cierto punto a los trabajadores, favoreciendo su acceso a nuevas formatos de datos que les ayuden a identificar áreas de mejora, estimulen el desarrollo personal y refuercen su compromiso con la organización.

En esta planta de cultivo de guisantes enanos, un algoritmo controla la luz, los nutrientes y la temperatura, Newark, Nueva Jersey

Otro recurso del análisis de recursos humanos es la filmación de entrevistas de trabajo. En estos casos, la IA se emplea para evaluar tanto las señales verbales como las no verbales. Uno de esos productos, fabricado por un grupo llamado HireVue, está funcionando en la actualidad en más de seiscientas compañías. Es una práctica que han adoptado empresas como Nike, Unilever y Atlantic Public Schools, que ya utilizan productos que permiten a los empresarios hacer entrevistas filmadas a los candidatos. El objetivo es reducir los prejuicios que pueden surgir, por ejemplo, cuando el estado de ánimo del entrevistado no es el idóneo, o cuando el director de Recursos Humanos se identifica con el candidato basándose en afinidades relacionadas con la edad, la raza o el perfil demográfico. Sin embargo, existen pruebas de que las preferencias de los directores de Recursos Humanos anteriores se acaban reflejando en la contratación, y los hombres blancos y heterosexuales son, según revela un informe de Business Insider, los candidatos predilectos en igualdad de condiciones (Feloni, 2017). Si los datos que se introducen en un algoritmo reflejan prejuicios dominantes en el tiempo, entonces la máquina puede calificar con una puntuación mayor a un candidato con expresiones faciales «aceptadas» y valorar peor otros rasgos relacionados con la orientación sexual, la edad y el género que no se asocian al estereotipo del hombre blanco.

1.2 Gestión del rendimiento

Aunque la gestión del rendimiento es ya una realidad en la mayoría de los entornos laborales, son centenares los métodos que se han probado y testado a lo largo del tiempo. Quizá la época más conocida en la aplicación de la tecnología a las decisiones relacionadas con el rendimiento de los trabajadores en el mundo industrializado sea el la del taylorismo. Taylor y los Gilbreth diseñaron una serie de esquemas para entender la productividad en el entorno laboral, que a su modo de ver estaba relacionada con una serie de acciones humanas específicas y cuantificables. Estos célebres industriales buscaban métodos científicos de identificar y representar los movimientos corporales óptimos para generar una conducta productiva ideal basada en tareas determinadas tecnológicamente.

Uno de los recursos del análisis de recursos humanos es la filmación de entrevistas de trabajo. En estos casos, la IA se emplea para evaluar tanto las señales verbales como las no verbales. Uno de esos productos, fabricado por HireVue, está funcionando en más de seiscientas compañías

En 1927, con ocasión de la Conferencia Económica Internacional que se había celebrado ese año, la Sociedad de las Naciones publicó un documento titulado «Gestión científica en Europa». En 2016 encontré una copia amarillenta de este informe en los archivos del Trade Union Congress en la London Metropolitan University. Se publicó en el periodo de entreguerras, cuando los países se afanaban por crear organizaciones interdependientes y favorecer un clima de cooperación que redujera las posibilidades de nuevas guerras. Lo interesante es que, en el documento, la Organización Internacional del Trabajo (OIT) defendía la estandarización de las prácticas industriales y anunciaba que la administración o gestión científica se convertiría en el campo «por excelencia para la cooperación internacional». De hecho, en la conferencia de la Organización Internacional del Trabajo de la Sociedad de las Naciones celebrada en Ginebra en 1927 la gestión científica se definía como:

[…] la ciencia que estudia las relaciones entre los diferentes factores de la producción, y en especial los que median entre los factores humanos y los mecánicos. Su objeto es obtener, mediante la aplicación racional de esos diversos factores, el resultado óptimo.

Por tanto, el taylorismo no era un mero proyecto de gestión del rendimiento de los trabajadores, sino que tenía un alcance y una ideología más generales. La OIT informaba de que la gestión científica ya había «rebasado los límites dentro de los cuales la había aplicado Taylor en un principio» y sus recomendaciones y sus prácticas «ahora afectan a todos los departamentos de la fábrica, a todas las modalidades de fabricación, a todas las formas de actividad económica, la banca, el comercio, la agricultura y la gestión de los servicios públicos».

La introducción de la IA en la automatización revela que, en determinados casos, no solo se puede prescindir de las extremidades de los trabajadores, al sustituir el brazo humano por el brazo robótico, sino también de su cerebro

Estudiando los movimientos y los gestos más insignificantes con ayuda de una serie de instrumentos tecnológicos, entre otros una cámara impulsada por un resorte, una cámara con motor eléctrico y un microcronómetro, un instrumento para medir intervalos de tiempo muy reducidos, estos científicos buscaban la que esperaban que fuera la «manera ideal» de desempeñar tareas de albañilería y trabajo siderúrgico. Los Gilbreth también medían la frecuencia cardiaca de los trabajadores con un estetoscopio y un cronómetro, un antecedente directo de las mediciones de la frecuencia cardiaca con brazaletes deportivos que en la actualidad cada vez se utilizan más en los programas de mejora del entorno laboral (Moore, 2018a).

La bibliografía relacionada con la gestión del rendimiento es muy extensa, y su origen se remonta quizá a la época de la gestión científica. La gestión del rendimiento procede de diversas disciplinas, como la Psicología de las Organizaciones, la Sociología, la Sociología del Trabajo y los Estudios Críticos de Gestión, disciplinas en las que los investigadores estudian el modo en que las organizaciones buscan lograr un equilibrio entre la productividad y la gestión de las actividades de los trabajadores y organizar los diversos mecanismos que rodean a estos procesos.

A la gestión científica le sucedió la escuela de las relaciones humanas, y después la racionalización de los sistemas, dominada por la «investigación de operaciones». Más tarde asistimos al auge de la cultura organizativa orientada a la calidad. Ahora, se ha impuesto otra tendencia que he llamado sistemas de agilidad de gestión (Moore, 2018a). Cada periodo de la historia del diseño del trabajo ha intentado identificar la lógica del cálculo «idónea», en la que la gestión del rendimiento (PM, por sus siglas en inglés) es una práctica de cálculo que se encuentra integrada institucionalmente y es socialmente transformadora. Los procedimientos para calcular el comportamiento de los trabajadores se basan cada vez más en un racionalismo económico neoliberal.

Las prácticas económicas de cuantificación crean mercados (Porter, 1995) e introducen en las organizaciones una lógica de cálculo de valor que, a su vez, influye en las empresas y exige «responsabilidad cuantificable y comparable de los individuos» (Miller y O’Leary, 1987, pp. 261-262). A través de la cuantificación, el diseñador de un sistema de gestión de rendimiento decide qué se considerará cuantificable y comparable. Aunque se presupone en cierta medida cual será el «balance final», no se puede afirmar que la productividad y la eficiencia guarden una relación directa con la seguridad y la salud de los trabajadores, ni con la protección de su contrato y o de su sustento. Cada vez que se diseña un método para caracterizar a un individuo, es decir, el trabajador ideal con un rendimiento óptimo, estamos «inventándonos personas» (Hacking, 1986). La enumeración de características permite por tanto generar estadísticas que funcionan como un cálculo específico aparentemente neutral, dócil e incuestionable. Desrosières (2001, p. 246) señala que «situar acciones, enfermedades y logros en pie de equivalencia […] determina cómo es tratado el sujeto al que se le atribuyen». Rose (1999, p. 198; citado en Redden, 2019, pp. 40-41) afirma que «los números, al igual que otros “mecanismos de inscripción”, son en realidad los dominios que parecen representar; los vuelven representables de una manera dócil, que se presta a la aplicación del cálculo y la deliberación». Aunque los argumentos relacionados con el objeto de cuantificación son muy variados, escasean los estudios centrados en el modo en que se toman las decisiones a la hora de determinar qué características del trabajo y qué fábricas son dignas de medición.

Riesgos para la seguridad y la salud laboral

Si en los procesos de toma de decisiones basadas en algoritmos del análisis de recursos humanos y de la gestión del rendimiento no intervienen los humanos ni se tienen en cuenta los aspectos éticos, estas herramientas pueden exponer a los trabajadores a una serie de riesgos estructurales, físicos y psicosociales y provocarles estrés. ¿Cómo pueden estar seguros los trabajadores de que se han tomado decisiones justas, correctas y honradas si no tienen acceso a los datos que recopila y utiliza la empresa? Los riesgos para la seguridad y la salud laboral relacionados con el estrés y la ansiedad surgen cuando los trabajadores tienen la sensación de que las decisiones se toman basándose en cifras y datos a los que ellos no tienen acceso ni pueden controlar. Esto resulta especialmente preocupante cuando la información recabada a través del análisis de recursos humanos se emplea para restructurar el entorno laboral, hacer recortes, cambiar descripciones de puestos de trabajo y cosas similares. Es probable que el análisis de recursos humanos aumente los niveles de estrés de los trabajadores si su información se utiliza para evaluar y para gestionar el rendimiento sin la debida diligencia en el procedimiento y en la aplicación, lo cual puede derivar en prácticas de microgerencia y generar en los empleados la sensación de que les están «espiando». Si los trabajadores saben que sus datos se están interpretando para localizar talentos o decidir posibles despidos, pueden sentirse presionados para aumentar su rendimiento y su carga de trabajo, lo cual puede derivar en riesgos para la seguridad y la salud laboral. Existe otro peligro más, asociado a la responsabilidad, cuando las habilidades predictivas de una compañía se revisan con posterioridad para comprobar su exactitud o se acusa a los departamentos de Recursos Humanos de discriminación.

Según un experto en mediación laboral,1 la recopilación de información sobre los trabajadores para tomar decisiones como las que utiliza el análisis de recursos humanos ha generado algunos problemas acuciantes relacionados con el impacto de la IA en el entorno laboral. En muchos casos, los comités de empresa no son conscientes de los posibles usos de esas herramientas de gestión. O se implantan sistemas sin consultar con los comités de empresa ni con los trabajadores. Cuando la introducción de tecnologías se lleva a cabo precipitadamente, sin las consultas y la formación adecuadas, y sin comunicación, surgen aún más riesgos para la seguridad y la salud laboral, tales como el estrés y los despidos. Es interesante mencionar un proyecto que se ha puesto en marcha en la sede central de IG Metall –cuyos currículos de aprendizaje en el trabajo se han revisado en 2019–, en el contexto de la industria 4.0 (ver también 3.4).2 Los estudios demuestran que la formación no solo debe actualizarse para preparar a los trabajadores para los peligros físicos, como se ha hecho tradicionalmente en la industria pesada, sino también para los riesgos mentales y psicosociales derivados de la digitalización del trabajo, incluidas las aplicaciones del análisis de recursos humanos.3

2. COBOTS Y CHATBOTS

2.1 Cobots

En las fábricas de automóviles y los centros tecnológicos que he visitado, he visto brazos robóticos gigantes de color naranja en los amplios almacenes de un paisaje industrial construyendo piezas y ensamblando automóviles donde en otro tiempo había cadenas de montaje supervisadas por humanos. Los robots han sustituido a los trabajadores en las cadenas de montaje de numerosas fábricas. En muchos casos, la IA se confunde con la automatización. La automatización en sentido estricto implica, por ejemplo, la sustitución explícita del brazo humano por el brazo robótico. A lo largo de la historia, los trabajos menos cualificados, los manuales, han sido más susceptibles de automatización, y así sigue siendo. Hoy la automatización se ha perfeccionado gracias a las máquinas capaces de desarrollar una conducta autónoma o de «pensar». Por tanto, la introducción de la IA en la automatización revela que, en determinados casos, no solo se puede prescindir de las extremidades de los trabajadores, sino también de su cerebro. Tal y como indica un informe de la Agencia Europea para la Seguridad y la Salud en el Trabajo sobre el futuro del trabajo con relación a los robots, aunque estos se concibieron en un principio para desempeñar tareas sencillas, cada vez se les añaden más funciones de IA y están «construidos para pensar, usando IA» (Kaivo-oja, 2015).

Los cobots se han incorporado a las fábricas y a los almacenes, donde trabajan codo con codo con seres humanos. Cada vez participan en más tareas, no necesariamente automatizadas. Amazon cuenta con 100.000 cobots con IA integrada que han reducido el periodo de formación de los trabajadores a menos de dos días. Airbus y Nissan también utilizan cobots para acelerar la producción e incrementar la eficiencia.

2.2 Chatbots

El chatbot es otra herramienta mejorada con IA capaz de resolver un elevado porcentaje de consultas básicas propias de los servicios de atención al cliente; así los humanos que trabajan en este tipo de servicios telefónicos pueden dedicarse a dar respuesta a preguntas más complejas. Los chatbots trabajan en colaboración con las personas no solo físicamente; también se implementan en el soporte de los sistemas para atender consultas telefónicas de los clientes.

Por ejemplo, Dixons Carphone utiliza un chatbot de conversación llamado Cami capaz de resolver las dudas básicas de los consumidores en la página web de Curry a través de Facebook Messenger. En 2017, la aseguradora Nuance lanzó un chatbot llamado Nina para responder preguntas y acceder a documentos. Morgan Stanley ha proporcionado a 16.000 de sus asesores financieros algoritmos de aprendizaje automático para automatizar algunas tareas rutinarias. Los trabajadores de centros de atención telefónica se enfrentan a gran cantidad de riesgos para su seguridad y salud laborales debido a la naturaleza de su trabajo, repetitivo, exigente y sometido a un elevado grado de microvigilancia y a formas extremas de cuantificación (Woodcock, 2016).

Los chatbots plantean riesgos psicosociales relacionados con el temor a la pérdida del empleo. Se debería formar a los trabajadores para que conozcan el papel y la función de los bots en el espacio laboral y entiendan qué les pueden aportar

Cada vez se registra y se mide un número más elevado de actividades de estos centros. Las palabras que se utilizan en los correos electrónicos o que se expresan oralmente se pueden recopilar para determinar el estado de ánimo de los trabajadores, un proceso que se denomina «análisis de los sentimientos». Las expresiones faciales también pueden analizarse para detectar signos de fatiga y estados de ánimo. Luego se realizan evaluaciones y se reducen los riesgos para la salud y la seguridad derivados de la sobrecarga de trabajo. Los chatbots, aunque concebidos como máquinas de asistencia, plantean sin embargo riesgos psicosociales relacionados con el temor a la pérdida del empleo. Se debería formar a los trabajadores para que conozcan el papel y la función de los bots en el espacio laboral y entiendan qué les puede aportar su colaboración y su ayuda.

Riesgos para la seguridad y la salud laboral

Los cobots pueden reducir los riesgos para la seguridad y la salud, pues permiten a los sistemas de IA realizar tareas de servicio sencillas y rutinarias en las fábricas que tradicionalmente generan estrés, fatiga, problemas musculares y óseos e incluso aburrimiento, por culpa del trabajo repetitivo. El informe «Previsión para 2025 de los nuevos riesgos para la seguridad y la salud en el trabajo relacionados con la digitalización» de la Agencia Europea para la Seguridad y la Salud en el Trabajo (EU-OSHA, 2018, p. 89) concluye que los robots liberan a las personas de tareas físicas peligrosas y de trabajar en entornos con peligros químicos y ergonómicos, y por tanto contribuyen a la reducción de los riesgos para la seguridad y la salud de los trabajadores.

No todos los algoritmos utilizan IA, pero los datos que generan los servicios que contactan a los clientes con los trabajadores y las valoraciones de los trabajadores de la plataforma que hacen los usuarios generan una información que los usuarios utilizarán para seleccionar a unos trabajadores en detrimento de otros

Como se afirma en un reciente informe de la Organización de los Países Bajos para la Investigación Científica Aplicada (TNO, por sus siglas en holandés), existen tres tipos de riesgos para la salud y la seguridad en los entornos de interacción entre humanos y cobots (TNO, 2018, pp. 18-19):

Riesgos de colisión entre robots y humanos, cuando el aprendizaje automático da lugar a un comportamiento imprevisto del robot
Riesgos de seguridad, cuando los vínculos de internet de los robots afectan a la integridad del programa de software y provocan fallos en la seguridad
Riesgos medioambientales, cuando la degradación de los sensores y las acciones humanas inesperadas en entornos no estructurados pueden derivar en riesgos medioambientales

El reconocimiento de voz y de patrones y la visión artificial que posibilita la IA significa que los cobots y otras aplicaciones y herramientas puedan apoderarse no solo de los trabajos no cualificados, sino también de una serie de tareas no necesariamente rutinarias o repetitivas. En este sentido, la automatización mejorada mediante IA permite ampliar el número de aspectos laborales susceptibles de ser realizados por ordenadores y por otras máquinas (Frey y Osborne, 2013). Un buen ejemplo de prevención de riesgos laborales con ayuda de herramientas mejoradas con AI es el de una compañía de productos químicos que fabrica piezas ópticas para maquinaria. Los chips minúsculos que produce esta empresa deben ser revisados en busca de defectos. Antes, esta tarea la hacía un empleado sentado, inmóvil, que estudiaba imágenes de chips durante varias horas seguidas. Hoy la IA se ocupa de esta labor. Los riesgos para la seguridad y la salud, que ahora, por supuesto, han desaparecido, incluían problemas óseos y musculares, cansancio ocular y lesiones.4

Dos robots de reparto de la empresa Starship, creada por dos de los cofundadores de Skype, avanzan por la acera transportando artículos de la cadena de supermercados Co-op, Milton Keynes, Reino Unido

Con todo, los robots con IA integrada que trabajan en fábricas y almacenes pueden provocar estrés y una amplia variedad de problemas graves si no se introducen de manera adecuada. Una sindicalista de Reino Unido señala que la digitalización, la automatización y la gestión a través de algoritmos, cuando «se utilizan juntas […] son tóxicas y han sido diseñadas para despojar de sus derechos elementales a millones de personas».5 Otro problema potencial son los factores de riesgos psicosociales que pueden surgir cuando las personas acaban trabajando al ritmo de los cobots (en lugar de adaptar los cobots al ritmo de las personas); así como las colisiones entre cobots y humanos.6 Otro caso de interacción entre máquinas y humanos que puede alterar las condiciones laborales y provocar riesgos para la salud y la seguridad se da cuando las personas encargadas de «atender» a una máquina reciben notificaciones y actualizaciones de su estatus en sus dispositivos personales, en sus smartphones o en sus ordenadores particulares. Esto puede provocar riesgos de sobrecarga de trabajo, pues los trabajadores se sienten obligados a atender las notificaciones fuera de su horario de trabajo, y ven así alterado el equilibrio entre su vida laboral y su vida familiar.7

Un experto en trabajo e IA ha analizado los avances del internet de las cosas en el entorno laboral: los sistemas de máquinas interconectadas que trabajan junto a los humanos en fábricas y almacenes.8 Los problemas de introducción de datos, las inexactitudes y los fallos de los sistemas con máquinas interconectadas generan un número importante de riesgos para la salud y la seguridad, y también problemas de responsabilidad. Los sensores, el software y las conexiones pueden fallar y alterarse, y todas estas vulnerabilidades plantean dudas sobre los límites de la responsabilidad legal de los daños. Si un cobot atropella a un trabajador, ¿es culpa del cobot, del trabajador, de la compañía que fabricó el cobot o de la compañía que ha empleado al trabajador e integrado el cobot? Son cuestiones complejas.

La interacción entre humanos y cobots genera tanto riesgos para la salud y la seguridad como beneficios en el ámbito físico, cognitivo y social, pero puede que algún día los cobots adquieran la capacidad de razonar, y deben hacer sentir seguros a los humanos. Para ello, deben demostrar que son capaces de diferenciar a las personas de los objetos, predecir colisiones, adaptar su comportamiento y tener una memoria que facilite el aprendizaje automático y la autonomía en la toma de decisiones (TNO, 2018, p. 16), de acuerdo con las definiciones de IA que hemos explicado antes.

3. TECNOLOGÍAS WEARABLES

Los dispositivos wearables de seguimiento personal están cada vez más presentes en los lugares de trabajo. Se prevé que el mercado de estos dispositivos weareables para la industria y el cuidado de la salud pasará de los 21 millones de dólares en 2013 a 9.200 millones en 2020 (Nield, 2014). Entre 2014 y 2019 se predijo un incremento de 13 millones de dispositivos de seguimiento de actividad en los entornos laborales. Esto ya está sucediendo en los almacenes y en las fábricas donde los GPS y las pulseras de identificación por radiofrecuencia o por sensores táctiles, como la que ha patentado Amazon en 2018, han sustituido por completo a los lápices y los portapapeles.

Uno de los ámbitos en los que ya se ha empezado a utilizar una nueva función de la automatización y de los procesos de la industria 4.0 con AI incorporada es el de tamaño de lote de producción.9 Este proceso incluye casos en que se da a los trabajadores gafas con pantallas y funciones de realidad virtual, como las HoloLens y las Google Glass, o tabletas con atriles que se introducen en la cadena de producción para realizar tareas in situ. El modelo de la cadena de montaje, en el que un trabajador realiza una tarea específica una y otra vez, durante varias horas seguidas, no ha desaparecido por completo, pero el sistema de producción por tamaño de lote es diferente. Este procedimiento, que se utiliza en estrategias de fabricación ágil, se aplica a pedidos más pequeños que se preparan dentro de parámetros de tiempo específicos, en lugar de producir una cantidad fija que no cuenta con clientes seguros.

Se proporciona a los trabajadores una formación visual in situ a través de una pantalla HoloLens o de una tableta, y así pueden ocuparse de una nueva tarea que aprenden instantáneamente y que solo realizan durante el periodo de tiempo necesario para fabricar el pedido específico. Aunque a primera vista puede parecer que estos sistemas de asistencia otorgan más autonomía, más responsabilidad individual y un mayor desarrollo autónomo, no siempre es así (Butollo et al., 2018).

El uso de dispositivos de formación in situ, wearables o no, se traduce en que los trabajadores necesitan menos conocimientos o formación previa porque realizan el trabajo caso por caso. Surge, por tanto, el riesgo de la intensificación de las tareas, pues las pantallas, en forma de visor o de tableta, se convierten en algo parecido a un instructor en tiempo real de trabajadores no cualificados. Además, los trabajadores no adquieren destrezas duraderas, porque se les exige que realicen actividades modulares en procesos de montaje personalizados para construir artículos a medida en diversas escalas. Aunque esto favorece la eficiencia productiva de la compañía, el modelo de tamaño de lote genera importantes riesgos para la seguridad y la salud, pues la cualificación de los trabajadores queda limitada a programas de formación in situ y ya no necesitan especializarse.

Riesgos para la salud y la seguridad laboral

Los riesgos para la salud y la seguridad pueden deberse también a la falta de comunicación, cuando los trabajadores no son capaces de asimilar la complejidad de la nueva tecnología lo suficientemente rápido, y en particular si además no reciben formación para enfrentarse a las amenazas que puedan surgir. Esto es un problema real en el ámbito de la pequeña empresa y de las startups, organizaciones bastante experimentales en el uso de las nuevas tecnologías que no suelen tener en cuenta que es imprescindible garantizar las condiciones de seguridad antes de que ocurran los accidentes, y que a veces deciden actuar cuando el problema ya no tiene remedio.10 En una entrevista, los responsables del proyecto Better Work 2020 de IG Metall (Bezirksleitung, Nordrhein-Westfalen/NRW Projekt Arbeit 2020) afirmaban que los sindicatos han entablado un diálogo activo con las compañías sobre los procedimientos que están empleando para introducir las tecnologías de la industria 4.0 en los lugares de trabajo (Moore, 2018b). La introducción de robots y de sistemas de supervisión de trabajadores, de la computación en la nube, de la comunicación entre máquinas y de otros sistemas llevó a los responsables del proyecto de IG Metall a plantear las siguientes preguntas a las empresas:

– ¿Qué consecuencias tendrán los cambios tecnológicos en la carga de trabajo de las personas?

– ¿Facilitarán el trabajo o lo complicarán?

– ¿Se generará más o menos estrés?

– ¿Habrá más o menos trabajo?

Los sindicalistas de IG Metall señalan que los niveles de estrés de los trabajadores tienden a subir cuando se implantan tecnologías y no se les forma ni se les informa lo suficiente. En muchos casos son necesarios conocimientos especializados para mitigar los posibles peligros derivados de la presencia de las nuevas tecnologías en el espacio laboral.

4. TRABAJOS GIG

A continuación, vamos a centrarnos en otro campo en el que la IA supone una influencia importante, el del gig work o microtrabajo. El gig work funciona a través de aplicaciones online (apps), también llamadas «plataformas», que proporcionan compañías como Uber, Upwork o Amazon Mechanical Turk (AMT). El trabajo puede realizarse online (el encargo se obtiene y se hace con ayuda de un ordenador ubicado en el hogar, en una biblioteca o en un café, por ejemplo, e incluye tareas de traducción o de diseño) u offline (el encargo se obtiene online, pero se realiza offline, como el trabajo de taxista o el de empleado de la limpieza). No todos los algoritmos utilizan IA, pero los datos que generan los servicios que ponen en contacto a los clientes con los trabajadores y las valoraciones de los trabajadores de la plataforma que hacen los usuarios generan una información que da lugar a perfiles mejor o peor valorados que, a la postre, los usuarios utilizarán para seleccionar a unos trabajadores en detrimento de otros.

Un estudio sobre trabajadores gig online en India critica «la transformación de los seres humanos en un servicio», según la expresión de Jeff Bezos, porque se trata de una modalidad laboral que deshumaniza y devalúa el trabajo, favorece la precarización y desvirtúa la economía

La supervisión y el seguimiento ha sido una experiencia cotidiana durante muchos años para los mensajeros y los taxistas, pero el aumento de trabajadores gig que reparten comida en bicicleta para determinadas plataformas, entregan pedidos y prestan servicios de taxi es relativamente nuevo. Uber y Deliveroo exigen a sus trabajadores que instalen una aplicación específica en sus teléfonos, que cuelgan en el salpicadero del coche o en el manillar de la bicicleta, y obtienen clientes utilizando tecnologías de localización por satélite y con ayuda de un software de emparejamiento que funciona por algoritmos. Una de las ventajas de la introducción de la IA en los trabajos gig es la protección del conductor y del pasajero. DiDi, un servicio de taxi que opera en China, utiliza un software de reconocimiento facial con IA para identificar a los trabajadores cuando inician su sesión en la aplicación. DiDi utiliza esta información para verificar la identidad de los conductores y prevenir posibles delitos. Sin embargo, hace poco este programa tuvo un fallo grave cuando un conductor se registró una noche con la identidad de su padre. Bajo esa identidad falsa, el conductor asesinó a un pasajero en el turno de su padre.

Los repartidores gig son responsables de la velocidad a la que circulan, del número de entregas por hora y de las calificaciones de los clientes, y trabajan en un entorno intensificado que ha demostrado tener riesgos para la salud y la seguridad. En un artículo de la revista Harper’s, un conductor explica que las nuevas herramientas digitales funcionan como un «látigo mental», y señala que «la gente se siente intimidada y trabaja más deprisa» (The Week, 2015). Los conductores y los repartidores corren el riesgo de ser expulsados de la app si las valoraciones de sus clientes no son lo bastante buenas o incumplen determinados requisitos. Esto genera riesgos para la salud y la seguridad como el trato desigual, el estrés e incluso el miedo.

Las calificaciones y las críticas digitalizadas de los clientes son clave para una buena reputación y determinan la cantidad de encargos que recibe un trabajador. Los algoritmos se basan en las puntuaciones de los clientes y en la cantidad de encargos que se aceptan

En los microtrabajos se usan algoritmos para poner en contacto a clientes y trabajadores. Una plataforma llamada BoonTech utiliza Watson AI Personality Insights de IBM para emparejar online a clientes y trabajadores gig, por ejemplo, a través de plataformas como Amazon Mechanical Turk y Upwork. Se han planteado algunos problemas de discriminación relacionados con las responsabilidades domésticas de las mujeres que microtrabajan online desde casa, responsabilidades como la reproducción y el cuidado de los niños en un contexto tradicional. Un estudio reciente sobre trabajadores gig online en los países en vías de desarrollo llevado a cabo por investigadores de la OIT muestra que el porcentaje de mujeres que «prefieren trabajar en casa» es más elevado que el de hombres (Rani y Furrer, 2017, p. 14). El estudio de Rani y Furrer revela que, en los países africanos, el 32% de las trabajadoras tiene hijos pequeños, y en Latinoamérica el 42%. Esto supone una doble carga para la mujer que «pasa alrededor de 25,8 horas a la semana trabajando en plataformas, 20 de las cuales son remuneradas y 5,8 no» (ibíd., p. 13). El estudio muestra que el 51% de las mujeres que desempeñan este tipo de oficios trabaja de noche (entre las 22.00 h y las 05.00 h) y por la tarde (el 76% trabaja entre las 18.00 h y las 22.00 h), que son «horas de trabajo asociales» y entran dentro de las categorías de riesgo potencial de violencia y acoso, según la OIT (OIT, 2016, p. 40). Rani y Furrer (2017, p. 14) afirman además que la externalización global del trabajo a través de plataformas ha generado una «economía de 24 horas […] que erosiona las fronteras establecidas entre el hogar y el trabajo [y además] hace que las mujeres tengan que soportar una doble carga, pues las responsabilidades del hogar están distribuidas desigualmente entre sexos». Trabajar desde casa es ya de por sí un factor de riesgo para las mujeres, que pueden ser víctimas de violencia doméstica y que además carecen de la protección legal de la que gozarían en una oficina. De hecho, «la violencia y el acoso pueden producirse […] a través de la tecnología que borra las fronteras que separan los espacios laborales, los espacios “domésticos” y los lugares públicos» (OIT, 2017, p. 97).

Riesgos para la salud y la seguridad laboral

La digitalización del trabajo no estandarizado, tanto la de los trabajos gig que se realizan online desde casa como la de los servicios de taxi y de reparto que se desempeñan offline, es un método de gestión del entorno laboral basado en la cuantificación detallada de tareas y en el que solo se remunera el tiempo de contacto explícito. Podría parecer que la digitalización supone la regularización de un mercado laboral en el sentido en que la define la OIT, pero el riesgo de precariedad laboral y salarial es muy real. En lo que respecta al tiempo de trabajo, las tareas preparatorias para la mejora de la reputación y las destrezas necesarias para el desempeño de los microtrabajos online no están remuneradas. Que la vigilancia sea algo normalizado no significa que el estrés no esté presente. D’Cruz y Noronha (2016) han realizado un estudio de casos de trabajadores gig online en India en el que «se critica la transformación de los seres humanos en un servicio» (según la expresión de Jeff Bezos; citado en Prassl, 2018) porque se trata de una modalidad laboral que deshumaniza y devalúa el trabajo, favorece la precarización e incluso desvirtúa la economía. Los microtrabajos online, como los que se contratan a través de Amazon Mechanical Turk se basan en formas de empleo no estandarizadas que incrementan las posibilidades de explotación infantil, trabajo forzado y discriminación. Está demostrado que favorecen el racismo; se sabe que hay clientes que escriben comentarios insultantes y ofensivos en las plataformas. El comportamiento racista entre trabajadores también es manifiesto: los microtrabajadores que operan en economías más desarrolladas acusan a los que realizan los mismos oficios en India de rebajar los precios. Además, algunos de los trabajos que se consiguen a través de plataformas online son extremadamente desagradables, como el de los moderadores de contenido que tienen que cribar series interminables de imágenes y eliminar las que pueden resultar ofensivas o desagradables sin apenas asistencia o protección. Existen riesgos evidentes para la salud y la seguridad en los ámbitos en los que los niveles de violencia, estrés psicosocial, discriminación, racismo, acoso, explotación adulta e infantil son elevados debido a la falta de protección básica en el entorno laboral.

Chóferes de Shouqi Limousine & Chauffeur, la primera app de reserva de taxis china autorizada por el gobierno, el día de inauguración de la compañía en septiembre de 2015

Los trabajadores de la gig economy están obligados a registrarse como autónomos y, al hacerlo, renuncian a los derechos básicos de los que disfrutan los trabajadores por cuenta ajena, como unas horas mínimas garantizadas, vacaciones pagadas, subsidios por enfermedad y el derecho a sindicarse. La reputación online de los trabajadores gig es muy importante, porque de ella depende que obtengan nuevos encargos. Como hemos visto, las calificaciones y las críticas digitalizadas de los clientes son clave para una buena reputación y determinan la cantidad de encargos que recibe un trabajador. Los algoritmos se basan en las puntuaciones de los clientes y en la cantidad de encargos que se aceptan. Estas variables dan lugar a perfiles específicos que en su mayoría son de libre acceso para el usuario. Las valoraciones de los clientes no tienen en cuenta consideraciones como el estado de salud de los trabajadores, sus responsabilidades familiares y domésticas y otras circunstancias que escapan a su control y pueden afectar a su rendimiento. También pueden generar nuevos riesgos para la salud y la seguridad cuando el trabajador se siente obligado a aceptar más encargos de los que su salud le permite para no perder su puesto. Las clasificaciones de satisfacción del cliente y el número de encargos aceptados se pueden utilizar para «desactivar» a los conductores, como hace Uber, a pesar de que, por paradójico y ficticio que parezca, no hay en los algoritmos «sesgo humano» (Frey y Osborne, 2013).

La integración de la IA en la gig economy presenta algunas ventajas (por ejemplo, protege la identidad de los conductores y favorece la flexibilidad laboral), pero también riesgos, como la duplicación de la carga de trabajo para las mujeres que trabajan online

En general, la integración de la IA en la gig economy presenta algunas ventajas (por ejemplo, protege la identidad de los conductores y favorece la flexibilidad laboral, lo cual permite conciliar trabajo y vida familiar), pero también riesgos, como demuestra el caso de los conductores de DiDi y la duplicación de la carga de trabajo para las mujeres que trabajan online. Las medidas de protección de la seguridad y la salud son, por lo general, escasas en estos entornos laborales, y los riesgos, numerosos (Huws, 2015; Degryse, 2016); los salarios son precarios y los horarios prolongados (Berg, 2016); la falta de formación es una constante (CIPD, 2017) y el nivel de inseguridad muy elevado (Taylor, 2017). Jimenez (2016) advierte que la legislación, tanto en materia laboral como de seguridad y salud en el trabajo, no se ha adaptado aún a la eclosión del trabajo digitalizado y han empezado a publicarse otros estudios que comparten esta visión (Degryse, 2016). Los éxitos de la IA son también sus fracasos.

5. HACIA UNA CONCLUSIÓN

La diferencia entre la IA y otras formas de desarrollo e invención tecnológica para el entorno laboral radica en que, dado que la inteligencia se proyecta sobre máquinas autónomas, se considera que estas pueden tomar decisiones por sí mismas y funcionar como herramientas de gestión, en virtud de su capacidad aparentemente superior para calcular y medir. Aunque muchos informes recientes sobre la IA intentan responder a las preguntas ¿Qué puede hacerse con la IA? o ¿Cómo puede aplicarse la IA de forma ética?, el problema es mucho más complejo. En el momento en que las decisiones inteligentes en el espacio laboral empiezan a basarse en los cálculos de una máquina, surgen un sinfín de problemas que han de incluirse en cualquier debate sobre la «ética» en la aplicación y el uso de la IA.

En su Ensayo sobre el entendimiento humano, Locke, el célebre filósofo empirista, afirmaba que la ética se puede definir como «la búsqueda [de] aquellas reglas y medidas de las acciones humanas que conducen a la felicidad, y de los medios para ponerlas en práctica» (Ensayo IV, xxi, 3, 1824 [1689]). Por supuesto, no es más que una cita filosófica, pero lo cierto es que, hasta ahora, los únicos que se han esforzado en buscar y fijar esas reglas, que son los parámetros de la definición de la ética, han sido los humanos. En el momento en que se delega en las máquinas la responsabilidad de fijar las reglas, como sucede en el caso de la IA, la noción misma de ética se convierte en objeto de escrutinio.

En lugar de hablar de cómo aplicar la IA sin peligro de muerte, bancarrota o batallas jurídicas, que son las verdaderas cuestiones de fondo que nos llevan a recurrir a la ética en los debates actuales sobre la IA, tendría sentido retroceder y preguntarnos:

¿Es absolutamente imprescindible la introducción de la IA?

¿Nos llevará la introducción de la IA en diversas instituciones y entornos laborales de todos los ámbitos de la sociedad a un mundo más próspero y floreciente, como se ha proclamado?

¿O servirá para empeorar las condiciones materiales de los trabajadores y promover un tipo de inteligencia que no persigue, por ejemplo, el estado del bienestar, unas condiciones laborales favorables o una experiencia laboral y vital de calidad?

Aunque las máquinas poseen una memoria y una capacidad de procesamiento mayores que nunca y que les han permitido desarrollar el aprendizaje automático, carecen de empatía y del bagaje histórico y cultural que constituyen el contexto en el que se desarrolla el trabajo. Las máquinas no pueden discriminar intencionadamente, pero si las decisiones laborales han sido discriminatorias durante mucho tiempo (es decir, si, históricamente, a los hombres se les ha contratado más que a las mujeres, y a los blancos más que a las personas de otras razas; si a las mujeres y a los negros se les despide antes y no se les asciende, etc.), entonces los datos relacionados con las prácticas de contratación que se recopilan serán discriminatorios. La paradoja es que, si estos datos se usan para entrenar algoritmos y tomar nuevas decisiones de contratación y de despido, entonces las decisiones serán discriminatorias. Las máquinas, independientemente de las formas de inteligencia que quienes las gestionan les atribuyan, no aprecian y no pueden apreciar los aspectos cualitativos de la vida, ni tener en cuenta el contexto. En una entrevista reciente que le hice a Cathy O’Neil, autora de Armas de destrucción matemática. Cómo el big data aumenta la desigualdad y amenaza la democracia, decía algo muy interesante. Cuando vio pasar a su lado a un repartidor de Deliveroo pedaleando a toda velocidad en un día lluvioso, la doctora O’Neil hizo la siguiente reflexión: las plataformas que coordinan el trabajo de los repartidores buscan eficiencia y rapidez, y, por tanto, incitan a los repartidores a trabajar en condiciones climatológicas adversas y peligrosas. Es evidente que las plataformas ponen en peligro las vidas de los repartidores. O’Neil define los algoritmos como «modelos de juguete del Universo», porque estos entes aparentemente omniscientes en realidad solo saben lo que nosotros les decimos, y por tanto tienen lagunas considerables.

En lugar de hablar de cómo aplicar la IA sin peligro de muerte, bancarrota o batallas jurídicas, tendría sentido retroceder y preguntarnos: ¿la introducción de la IA en instituciones y entornos laborales nos llevará a un mundo más próspero y floreciente?

Si aceptamos que las máquinas son tan competentes como los humanos, o incluso más, ¿empezaremos a eximir de responsabilidad a quienes las gestionan? Más preguntas: ¿Se puede hacer un uso ético de la IA, teniendo en cuenta lo compleja que es la creación de leyes, cuando esa responsabilidad no es exclusiva de una mente humana inteligente? ¿Cuáles son los límites de la inteligencia? ¿Por qué queremos que las máquinas se comporten como nosotros, cuando está demostrado que solo pueden aprender los datos que nosotros les suministramos, y que, si los datos reflejan la conducta discriminatoria de los humanos, entonces los algoritmos, casi necesariamente, caerán en la discriminación o la favorecerán? Es evidente que la fantástica máquina global que describía E. M. Forster en su relato clásico de ciencia ficción (2011 [1928]) no necesitó obtener la aprobación de un comité de ética antes de que toda la humanidad acabara viviendo dentro de ella, bajo la corteza de la Tierra. Ahora que nos adentramos en la era de la IA, será importante recordar cuáles son los puntos de tensión a la hora de situar a las máquinas en posiciones de poder en el ámbito laboral y, en lugar de proclamar la sombría predicción del dominio de las máquinas, defender un «dominio de los humanos» (De Stefano, 2018) antes de introducir cualquier tecnología nueva en el entorno laboral. Los humanos hemos de responder a esta tendencia con una minuciosa regulación en la que la inteligencia humana prevalezca mientras la máquina se convierte en una presencia cada vez más indiscutible en nuestra vida laboral.

Algunos fragmentos de este artículo son una adaptación de Moore, P. V. (2019): «OSH and the Future of Work: Benefits & Risks of Artificial Intelligence Tools in Workplaces», para la Agencia Europea para la Seguridad y la Salud en el Trabajo.

La inteligencia artificial es quizás la tecnología más publicitada del siglo XXI, y ahora se está abriendo camino rápidamente en su lugar de trabajo. Solo en los últimos cuatro años, el uso de IA a nivel empresarial ha crecido un 270%. A medida que la primera ola de soluciones basadas en inteligencia artificial está estableciendo mercados, se ha vuelto obvio que las empresas están implementando la tecnología de inteligencia artificial principalmente para reemplazar la fuerza de trabajo humana redundante y ahorrar costos a largo plazo.

En la era del big data, la digitalización ha habilitado las condiciones para que las aplicaciones de inteligencia artificial prosperen y generen ingresos. Pero uno solo puede preguntarse cómo exactamente la IA ayuda a las empresas a lograr eso.

En esencia, la IA mejora la capacidad de cualquier empresa para aumentar sus ingresos en múltiples frentes. Por ejemplo, a través de la inteligencia artificial, las empresas pueden detectar señales muy débiles y generar pronósticos más precisos con respecto a los precios de inventario, la logística, la demanda y la oferta. Pero lo que es más importante, la IA es extremadamente rápida y automatiza el análisis de grandes cantidades de datos para mejorar la toma de decisiones en tiempo real. Con esto en mente, echemos un vistazo rápido a las diferentes formas en que la IA puede aumentar los ingresos de su negocio.

Relacionado: Cómo los emprendedores pueden utilizar la inteligencia artificial para impulsar su negocio

La IA aumenta la productividad de los empleados

Una de las principales razones detrás de ese impulso es el potencial de la IA para impulsar la productividad de los empleados. Si bien no es una fórmula mágica que muestre resultados inmediatos, existen varias razones por las que estamos emocionados:

Automatiza tareas redundantes. El temor por la seguridad laboral a menudo se entrelaza con mencionar la IA en el contexto del lugar de trabajo. Se ha pronosticado que la IA hará que varios trabajos sean superfluos y reemplazará a la mitad de la fuerza laboral para 2033. Reemplazará muchos trabajos, pero al mismo tiempo, creará muchos trabajos nuevos y más satisfactorios.
Mantiene felices a los trabajadores. Si bien la IA mejora directamente la productividad de los empleados al automatizar las tareas redundantes y mundanas, indirectamente ayuda a aumentar la satisfacción laboral de los empleados. Se han implementado herramientas de inteligencia artificial para analizar los emojis y ciertas palabras clave utilizadas en plataformas de comunicación en el lugar de trabajo como Slack, por lo que al usarlas, puede medir subjetivamente la satisfacción de los empleados en su lugar de trabajo.
Tiene un alto poder computacional. La IA es superior a su contraparte humana cuando se trata de resolver problemas complejos y reconocer patrones. Por ejemplo, tenemos programas de inteligencia artificial que pueden escanear documentos legales complejos para obtener información relevante. Esto libera a los empleados para que se concentren en tareas que agregan valor a su negocio.

Relacionado: Esto es lo que la IA nunca podrá hacer

La IA aumenta las ventas

AI tiene varias soluciones simples para ofrecer cuando se trata de mejorar sus cifras de ventas, y eso incluye invertir en la tecnología correcta, evaluar productos y generar un cambio en las estrategias de marketing:

Crea un túnel de ventas refinado. La inteligencia artificial se puede aprovechar para analizar datos e identificar patrones en el comportamiento del consumidor en su embudo de ventas más rápido y con más precisión que un humano. Después del procesamiento, su equipo de ventas se quedará solo con clientes potenciales de alta calidad, lo que no requerirá mucha investigación.
Da lugar a estrategias de marketing específicas. Una estrategia de marketing sólida es fundamental para el éxito de cualquier organización, y orientar sus campañas para llegar a la audiencia adecuada le dará los mejores resultados. Las herramientas de marketing impulsadas por IA como chatbots, plataformas publicitarias y sistemas de recopilación de datos serán útiles en esta empresa. La IA también puede generar contenido personalizado basado en los datos del cliente en el CRM, y esto ayudará aún más a automatizar la búsqueda de ventas.
Conduce a precios optimizados. La mayoría de las organizaciones dependen en gran medida de los vendedores para determinar el precio final de un producto con el fin de cerrar un trato. La IA es adecuada para tareas como estas y, en función de las tasas de ganancias y pérdidas y los acuerdos de ruta, puede identificar descuentos ideales y el momento adecuado para cerrar los acuerdos.

Relacionado: ¿Cuándo no debería invertir en IA?

La IA ayuda a reducir los costos

Identificar áreas en las que puede reducir costos es tan importante como encontrar nuevas fuentes de ingresos, y cuando la IA se utiliza en las operaciones diarias, puede identificar esas áreas y ofrecer varias tácticas de reducción de costos. A continuación, se muestran algunas formas:

Automatización. La automatización en tareas como el análisis de datos, la contratación y la atención al cliente puede ayudar a los empleados a concentrarse en tareas que son más urgentes y requieren perspicacia humana. Según Forbes , la tecnología de automatización puede ahorrar a las empresas más de $ 4 millones cada año.
Servicio al Cliente. Los chatbots inteligentes pueden potenciar sus operaciones de soporte al cliente y ayudarlo a ahorrar tiempo y dinero al responder preguntas repetitivas y recopilar comentarios. Si bien seguramente no puede reemplazar al representante humano de servicio al cliente, puede replicar las experiencias en gran medida y ofrecer disponibilidad 24 horas al día, 7 días a la semana a sus clientes, entre muchos otros beneficios.

La inteligencia artificial ha evolucionado hasta convertirse en un activo fundamental que las empresas no pueden ignorar si quieren seguir siendo competitivas. Es seguro decir que esta tecnología ya no es el futuro, es el presente, y las soluciones intuitivas están ayudando a las personas a satisfacer sus demandas de servicios de IA. Encontrar y adoptar soluciones basadas en inteligencia artificial que se adapten a su negocio desde el principio sin duda tendrá un impacto positivo en los ingresos de su negocio. Así que súbase hoy al tren de la IA.

¿De qué manera los trabajadores hoy pueden ser más útiles a una pequeña empresa hoy?

Los trabajadores pueden ser más útiles a una pequeña empresa si están capacitados y motivados en su trabajo, y si colaboran con la empresa para alcanzar sus objetivos. También es importante que tengan una buena comunicación con la empresa y una cultura positiva y de trabajo en equipo. La empresa puede incentivar a los trabajadores a través de programas de recompensas y reconocimiento, y ofrecer oportunidades de desarrollo y crecimiento profesional. La tecnología, incluida la inteligencia artificial, puede ayudar a mejorar la eficiencia y eficacia en el trabajo, pero es importante que la empresa asegure que los trabajadores estén capacitados en su uso y sientan que son valorados.

Es posible que tu empresa no tenga el lujo de contar con un departamento de RR.HH. De hecho, como propietario de una pequeña empresa, probablemente tengas muchos roles diferentes: CEO, director de ventas, gurú de marketing y, sí, gerente de recursos humanos. Esto se reduce a la necesidad: cuando creas un negocio desde cero, a menudo no hay presupuesto para contratar a alguien para cada uno de estos puestos. El problema es que, para muchos propietarios de negocios, gestionar personas se convierte en algo secundario, dejando a un lado el objetivo principal de “realizar las tareas”. O, si no tienes experiencia en RR.HH., es posible que no sepas por dónde empezar. Como resultado, la tarea de gestionar el mayor activo de tu empresa se convierte en un aspecto desafiante y potencialmente abrumador para hacer crecer el negocio.

La buena noticia es que con un poco de planificación y con las herramientas de organización adecuadas, puedes deshacerte de gran parte de este dolor y demostrar tu compromiso con la gestión eficaz del capital humano. Echemos un vistazo a seis de los desafíos de RR.HH. más comunes a los que tu pequeña empresa se enfrenta hoy, y cómo Evernote puede ayudarte a minimizar posibles problemas en el futuro.

1. Encontrar a las personas adecuadas

La contratación eficiente es importante para todas las organizaciones, pero no cabe duda de que las pequeñas empresas sufren desventajas a la hora de buscar a los mejores talentos. Un seleccionador de personal de Apple o Google tiene a candidatos increíbles llamando a sus puertas (virtuales) todo el día. Las pequeñas empresas, y las startups en particular, tienen que destacar entre la multitud para atraer al tipo de personas con talento que impulsarán el crecimiento de sus negocios.

Sin embargo, la ventaja de contratación de la que disfrutan las empresas más grandes suele ser a expensas de la agilidad. El arma secreta de tu pequeña empresa es tu capacidad para contratar rápidamente, lo que hace que los candidatos avancen más rápido en el proceso de contratación. Tal y como SHRM (Sociedad para la Gestión de Recursos Humanos) aconseja, “Las pequeñas empresas deben ser “lanchas motoras” y superar en ocasiones a las empresas más lentas y más grandes en lo que respecta a la contratación”.

A continuación mostramos algunos consejos para aumentar la eficiencia de tu contratación:

Crea una libreta en Evernote con plantillas de descripción del trabajo que puedas volver a utilizar. Esto garantiza que presentas una visión precisa y atractiva de tu empresa y del trabajo.
Guarda los archivos PDF de los currículums en Evernote para evitar que los candidatos calificados pasen desapercibidos. Anota y comparte estos currículums con todas las personas que participan en el proceso de la entrevista, para que tengan todos los documentos que necesitan para tomar decisiones de contratación informadas.
Crea una tabla para seguir el progreso de los candidatos a través del proceso de contratación. Por ejemplo, puedes crear columnas tales como: “Solicitud/Currículum revisado”, “Entrevistado por teléfono”, “Entrevistado en persona”, “Referencias comprobadas” y “Oferta enviada”. A medida que los solicitantes progresen de una fase a la siguiente, mueve su nombre a la columna de la tabla correspondiente para que todos sepan en qué fase se encuentra cada uno.

Consejo profesional: Descárgate esta plantilla útil esque te ayudará a que el seguimiento de los solicitantes sea muy sencillo. Este sistema de puntuación de la entrevista te puede ayudar a mentener un registro de cada candidato con el que hablas.

2. Hacer que todos estén al día

La última vez que empezaste un trabajo nuevo, ¿cómo fue tu primer día? Para muchas personas, puede resultar extremadamente estresante. Como empleador, puedes facilitar la incorporación de tus nuevas contrataciones creando un “Manual del empleado” completo para guiarlos durante el proceso.

Considera la posibilidad de guardar tu manual en Evernote y enviar un enlace público a las nuevas contrataciones antes de su fecha de inicio oficial. Les dará una buena primera impresión y tendrán la oportunidad de trabajar de inmediato a medida que se familiarizan con el inevitable “Cómo hacemos las cosas por aquí”. Si creas una nota de “Ínidce” con un enlace a las notas individuales que cubren temas importantes, como los valores de la empresa, política de vacaciones, información sobre beneficios, política de redes sociales y políticas contra la discriminación y el acoso, los nuevos empleados se pueden aclimatar muy rápido.

Por supuesto, los detalles cambian, la gente se va y, eventualmente, tendrás que actualizar tu manual. En lugar de distribuir una nueva copia impresa a todo el personal, guardar tu Manual del empleado en Evernote hace que el control de la versión sea simple, de modo que todo el personal de tu empresa, independientemente de cuánto tiempo hayan estado trabajando en ella, siempre tengan la versión más actualizada.

Evernote es también una herramienta perfecta para crear una intranet de empresa. Guarda los anuncios de la gestión, los próximos eventos, las notas de las reuniones de la empresa y mucho más en una libreta disponible para todos los empleados. Informa a todos que pueden encontrar las respuestas a la mayoría de sus preguntas en Evernote y que puedes ayudarles si no pueden. ¿La ventaja? Esto libera tu tiempo y puedes evitar responder las mismas preguntas una y otra vez.

Si tu empresa tiene más de una oficina, indudablemente habrá veces en que los empleados tendrán que viajar de un lugar a otro. ¿Cómo llegarán? ¿Dónde se quedarán? ¿Qué deberían revisar mientras están en la ciudad? Considera crear una nota e invitar a todos tus empleados para que incluyan sus consejos de viaje y sugerencias favoritas de cosas que ver y hacer en su ciudad. Esto ayudará a que el tiempo pasado en la carretera sea menos estresante y más productivo.

Consejo profesional: Descárgate esta plantilla para obtener ayuda sobre cómo crear tu propio Manual del empleado.

3. Agilizar las tareas repetitivas

Las plantillas pueden ahorrarte mucho tiempo, especialmente cuando tienes que completar tareas repetitivas de recursos humanos. Por ejemplo, hay ciertos detalles que debes guardar de todas las personas de tu empresa: información de contacto en caso de emergencia, formularios de seguros médicos y acuerdos de no divulgación (solo por nombrar algunos). Si bien no recomendamos que guardes los formularios completados en Evernote, puedes agilizar el proceso guardando formularios en blanco como plantillas en Evernote. Los empleados pueden acceder a los formularios que necesitan y a instrucciones para completarlos, y luego enviarte las versiones completas, todo con una impresora a la vista.

Las plantillas también pueden ser útiles para revisar el rendimiento. El proceso a menudo empieza con una autoevaluación, así que crea una plantilla con una lista de los criterios para medir a los empleados y una serie de preguntas que les ayudará a reflexionar objetivamente sobre su rendimiento.

Consejo profesional: Utiliza esta plantilla para ayudar a establecer objetivos y metas de rendimiento para tus empleados. Más adelante, pueden consultar esta lista de verificación cuando evalúen el éxito que tuvieron a la hora de alcanzar estos objetivos.

4. Gestionar la montaña de información

Para cada uno de los beneficios de los que disfrutan los empleados, como el seguro sanitario y los programas de desarrollo profesional, debes realizar innumerables horas de investigación y preparación. Existen planes que debes comparar, proveedores para evaluar, ROI que calcular y contratos que firmar. Como propietario de la empresa, tienes la responsabilidad de actuar con la debida diligencia para asegurarte de proporcionar el máximo valor a la empresa y al personal.

Esto crea una montaña de información y contactos que pueden ser abrumadores. Haz tu vida más fácil guardando toda esta información en Evernote, y utilizando etiquetas, libretas y pilas para organizarlo todo.

Por ejemplo, guarda un archivo PDF de las ventajas del plan de una compañía de seguros en Evernote, junto con una nota que contenga los detalles del representante de tu empresa y cualquier conversación relevante entre ambos. A continuación, organízalos en una libreta utilizando el nombre de la compañía de seguros. Eventualmente, tendrás una libreta separada para cada plan de seguros, que puede combinar en una pila llamada “Seguro de salud 2018”. Si aplicas este proceso a cualquiera de las ventajas para empleados que gestionas, te ayudará a controlar el crecimiento exponencial de los datos y facilitará la búsqueda rápida de la información que necesitas.

5. Ser portador de malas noticias

Está bien, esta es una pregunta difícil. A nadie le gusta tener que decirle a otra persona que su trabajo en la empresa ha llegado a su fin, pero la triste realidad de la vida profesional es que los trabajos no son tan “permanentes” como lo eran antes, y algunas veces terminan por varias razones. Puede hacer que el proceso sea un poco menos doloroso para todos creando una libreta en Evernote con estrategias para gestionar estas conversaciones difíciles, así como documentar los procedimientos legales que debes seguir a despedir a un empleado.

Para bien o para mal, los empleados a menudo ven la función de RR. HH. como una “explosión” que arruina la diversión y los juegos de todos. Y aunque a nadie le gusta tener que despedir a un empleado (esperamos), gestionar la conversación con tacto puede ayudarte a mantener una relación profesional con un empleado despedido, sin destruir ninguna posibilidad de reconciliación futura. Después de todo, es probable que tus antiguos empleados le cuenten a su red toda su experiencia con tu empresa; por lo que es aconsejable que tu último contacto sea lo más respetuoso y eficiente posible.

¿Cómo puede la pequeña empresa con la inteligencia artificial capacitar a sus trabajadores?

La Inteligencia Artificial (IA) puede ayudar a capacitar a los trabajadores de una pequeña empresa al proporcionar herramientas de ciberseguridad, CRM y servicio interactivo, permitir que las empresas comiencen a pequeña escala para aprender a usar IA, identificar los trabajos con mayor probabilidad de ser automatizados y redirigir a los empleados, usar chatbots para capacitar a los trabajadores remotos y mejorar el trabajo y la productividad de las empresas.

La Inteligencia Artificial (IA) se ha abierto pasos en el mundo empresarial en los últimos años, ya que más compañías están adoptando nuevas tecnologías para optimizar sus procesos operativos, agilizar la atención al cliente y poder crear publicidad personalizada.

Además, esta tendencia seguirá el mismo camino en los próximos años: para el 2023, el gasto en sistemas de IA alcanzará los US$97.9 mil millones, más de dos veces y media los 37.5 millones que se tenían previstos para el 2019. Lo que representa una tasa de crecimiento anual del 28.4%, de acuerdo con el informe Worldwide Artificial Intelligence Systems Spending Guide, realizado por la firma consultora IDC.

Claramente los datos indican que se prevé un crecimiento de la IA y un beneficio para las organizaciones de todo el mundo, por lo que deben comenzar a revisar las formas de cómo puede impactar positivamente en su empresa. De acuerdo con una encuesta realizada por la asociación de CEOs, Vistage, el 29.5% de los líderes empresariales afirman que de todas las tecnologías disponibles, la IA es la que mayor impacto tendrá en sus firmas, sin importar el sector en el que se desarrollan.

“La Inteligencia Artificial no es sólo para las grandes empresas que cuentan con miles de millones de dólares de capital disponible”, señala Gustavo Parés, director general de la firma especializada en Inteligencia Artificial y Cómputo Cognitivo, NDS Cognitive Labs. “Las pequeñas y medianas empresas también pueden aprovechar las ventajas de esta tecnología para ayudar a sus empleados y obtener una gran ventaja competitiva”, explica.

En México, empresas como Banorte, Banco Azteca o Aeroméxico han logrado implementar la Inteligencia Artificial con éxito, lo que aumentó significativamente su número de clientes y alcanzó hasta el 90% de aprobación por parte de sus usuarios.

Por ello, y con el fin de alentar a las compañías mexicanas a unirse a la ola de transformación digital, NDS Cognitive Labs comparte 4 formas para implementar la IA exitosamente:

Iniciar progresivamente

Al comenzar a pequeña escala, las empresas podrán aprender a usar Inteligencia Artificial, recopilar comentarios sobre su rendimiento y expandir según sea necesario. La herramienta será de mayor valor para la compañía si la tecnología se enfoca en un área o conjunto de datos específicos. Por ejemplo, un informe realizado por la consultora McKinsey & Company indicó que la mayoría de los ejecutivos cuyas compañías han adoptado la IA han registrado un aumento de ingresos en las áreas de negocio en las que se ha aplicado, mientras que el 44% afirma que la IA ha ayudado a reducir costos a su compañía.

Además, el uso de la IA facilitará la comunicación de los colaboradores al utilizar herramientas digitales de comunicación como Slack o WhatsApp, lo que hace que la solución de los problemas sea un proceso más ágil. La Inteligencia Artificial de Amazon, por ejemplo, es capaz de medir la productividad de sus empleados a través de un sistema automatizado. Esto también se puede lograr a través de aplicaciones desarrolladas específicamente para medir y mejorar la productividad, como Asana.

Es importante comprender que la IA debe integrarse como parte de los procesos comerciales existentes, por lo que no existe una necesidad de hacer cambios culturales drásticos o nuevos procesos dentro de la organización.

Identificar áreas de implementación

Para que la implementación de la Inteligencia Artificial sea exitosa, es necesario que las empresas identifiquen las áreas en las que se necesitan estas herramientas.. Una descripción detallada del papel que desempeñará la IA y sus funciones beneficiará enormemente al negocio, por lo que es necesario analizar cuáles serán las áreas en donde se implementarán estas herramientas y qué es lo que se esperan de ellas. No sólo tecnologías de la información, sino también en la logística, en la cadena de suministro y en cualquier función empresarial en la que se pueda implementar.

Capacitar a los colaboradores

El momento perfecto para integrar la IA es cuando la empresa está preparada para una reestructuración tecnológica, es decir, si ya se han trasladado los procesos de negocio del mundo del papel a la nube. Aún así, es vital comenzar poco a poco para poder discutir los objetivos de los proyectos y ser honesto sobre lo que el equipo de trabajo aún no comprende sobre estas nuevas herramientas.

Una vez que se hayan descubierto las brechas de conocimiento, se debe capacitar a los colaboradores para que puedan hacer un uso óptimo de las aplicaciones y poder explotar sus beneficios al máximo, ya que no sirve de nada la digitalización si los trabajadores no saben cómo utilizar estas nuevas herramientas. Para lograrlo sin contratiempos se puede establecer un marco de tiempo de unos pocos meses para lograr los objetivos de capacitación.

Una vez que se complete el proyecto piloto, es necesario analizar cuánto tiempo llevará completar el proyecto total de innovación y durante cuánto tiempo se implementará en el negocio.

Incorporar la Inteligencia Artificial en las tareas diarias

La IA se tiene que entrenar para poder funcionar óptimamente, y gracias al machine learning, ésta aprenderá a realizar diferentes tareas y automatizarlas, generando datos que quedarán disponibles para los trabajadores. Así, con la información adicional provista por la automatización de la IA, los empleados tendrán una poderosa herramienta para realizar sus tareas largas y repetitivas, por lo cual podrán concentrarse en las labores más complejas y especializadas como toma de decisiones y atención personalizada a sus clientes.

Debido al temor de que la tecnología reemplace al ser humano en el espacio de trabajo, es importante presentar estas herramientas como una solución que ayudará a los colaboradores a desarrollarse profesionalmente y con la que puedan trabajar mano a mano, no como algo que los reemplazará. Esto les ayudará a tener una experiencia en la que puedan visualizar cómo la IA aumenta la importancia de su rol en la empresa.

Los temas de tendencia representan una recopilación del resumen ejecutivo de las noticias, información y perspectiva sobre los asuntos que afectan a las empresas y a los líderes empresariales en la actualidad. Esta perspectiva se te proporciona para mantenerte al día sobre los desarrollos y tendencias más recientes que influyen en dichos temas. Estos puntos de vista no necesariamente representan los puntos de vista y opiniones de PNC. Para investigar más a fondo estos temas, consulta las fuentes que se citan en este artículo.

La introducción de la inteligencia artificial (IA), el aprendizaje automático, la robótica y otras herramientas cognitivas en el lugar de trabajo da paso a una nueva era de automatización industrial. Promete mayores eficiencias, reducción de costos, mayores márgenes de ganancia y otros beneficios tangibles a las compañías que invierten en estas tecnologías.

En 2016, las compañías invirtieron entre $26 mil millones y $39 mil millones en el desarrollo de la IA para los avances en robótica, vehículos autónomos, visión computarizada, lenguaje, agentes virtuales y aprendizaje automático.[1] McKinsey Global Institute estima que la automatización y la IA podrían aumentar la productividad global entre un 0.8 % y un 1.4 % anual hasta el año 2065.[2]

La mayor parte de la inversión inicial en IA la realizan grandes compañías de tecnología, como Amazon, Google y Facebook, que han invertido mucho en la digitalización. Los Estados Unidos, China, Corea del Sur y el Reino Unido lideran el desarrollo de la IA y han creado planes estratégicos nacionales con aspectos sustanciales de IA.[3]

Un estudio reciente realizado por McKinsey Global Institute encontró que los usuarios pioneros de la IA tienden a tener modelos de negocio digitales, implementan la IA en sus grupos de tecnología y en sus negocios principales, y ven la IA como una manera de aumentar los ingresos, así como de reducir los costos.[4]

El desarrollo de la IA se está acelerando, debido en gran parte a las cantidades masivas de datos que se están generando por una serie de dispositivos en red.

La IA está dando lugar a cambios rápidos
El desarrollo de la IA se está acelerando, debido en gran parte a las cantidades masivas de datos que se están generando por una serie de dispositivos en red. La IA también se está beneficiando de los avances en potencia de cálculo, aprendizaje automático, nuevos algoritmos y modelos sofisticados de IA.

Los sectores industriales que lideran la investigación y adopción de la IA incluyen servicios financieros, tecnología y telecomunicaciones, transporte y logística, montaje de automóviles y energía y servicios públicos.[5] Estos sectores ven un gran valor para la IA en la investigación y el desarrollo, la optimización de la producción, la mejora del mantenimiento, las ventas y el marketing dirigidos y la mejora de las experiencias de los clientes.

Los procesos de trabajo que tienen más probabilidades de ser automatizados son las actividades estructuradas, predecibles y físicas. McKinsey señala que estos procesos de trabajo representan el 51 % de la actividad económica y $2.7 billones en salarios.[6] El reto para las compañías, industrias y gobierno es encontrar una manera de hacer la transición de las actuales prácticas de fabricación y de negocios a una “fuerza de trabajo aumentada” donde los empleados, los robots y la IA se combinen de manera efectiva en el lugar de trabajo.[7]

Trabajos tradicionales en transición
El creciente uso de la IA, la robótica y la automatización cambiará la mayoría de las industrias drásticamente a medida que se revisan, reinventan y, en muchos casos, eliminan los trabajos tradicionales. Algunos expertos están haciendo sonar la alarma sobre el impacto negativo en los puestos de trabajo de la clase media, ya que estas tecnologías reemplazarán a muchos trabajadores y harán que sus habilidades sean obsoletas.

Los trabajadores tendrán que ajustar y adaptar sus habilidades para seguir siendo competitivos y empleables en esta nueva revolución industrial.

Sin embargo, se espera que la IA y las tecnologías relacionadas impulsen la productividad y creen nuevos tipos de empleos. Los trabajadores tendrán que ajustar y adaptar sus habilidades para seguir siendo competitivos y empleables en esta nueva revolución industrial.

Las habilidades humanas esenciales de las que carecen las máquinas ganarán mayor valor. Estas habilidades incluyen el pensamiento crítico, la comunicación, la empatía, el servicio personal, la persuasión, la resolución de problemas y la toma de decisiones estratégicas.[8] La IA y la automatización permitirán a los trabajadores centrarse más en la aplicación de estas habilidades humanas mientras que las máquinas se encargan de las tareas más rutinarias.

Los gobiernos desempeñarán un papel importante ayudando a capacitar a los trabajadores y adoptando reglamentos para atenuar las repercusiones negativas. La legislación puede ayudar a las compañías a identificar los trabajos con mayor probabilidad de ser automatizados y redirigir a los empleados afectados a programas de capacitación para adquirir nuevas habilidades.

1. “Cómo la inteligencia artificial puede aportar un valor real a las compañías”, por Jacques Bughin, Eric Hazan, Sree Ramaswamy, Michael Chui, Tera Allas, Peter Dahlström, Nicholas Henke y Monica Trench, McKinsey & Company, junio de 2017. Reporte relacionado, “Inteligencia Artificial: La próxima frontera digital”, un documento de debate publicado por McKinsey Global Institute, junio de 2017, disponible para descargar en esta página: http://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/how-artificial-intelligence-can-deliver-real-value-to-companies

2. “Aprovechando la automatización para un futuro que funcione”, por James Manyika, Michael Chui, Mehdi Miremadi, Jacques Bughin, Katy George, Paul Willmott y Martin Dewhurst, blog de McKinsey Global Institute, enero de 2017. Disponible en: http://www.mckinsey.com/global-themes/digital-disruption/harnessing-automation-for-a-future-that-works

3. “Cómo la inteligencia artificial puede aportar un valor real a las compañías”, por Jacques Bughin, Eric Hazan, Sree Ramaswamy, Michael Chui, Tera Allas, Peter Dahlström, Nicholas Henke y Monica Trench, McKinsey & Company, junio de 2017. Disponible en: http://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/how-artificial-intelligence-can-deliver-real-value-to-companies

4. “Cómo la inteligencia artificial puede aportar un valor real a las compañías”, por Jacques Bughin, Eric Hazan, Sree Ramaswamy, Michael Chui, Tera Allas, Peter Dahlström, Nicholas Henke y Monica Trench, McKinsey & Company, junio de 2017. Disponible en: http://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/how-artificial-intelligence-can-deliver-real-value-to-companies =

5. “Inteligencia artificial: La próxima frontera digital”, un documento de debate publicado por McKinsey Global Institute, junio de 2017, página 19 y disponible para descargar (con el artículo relacionado) en: http://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/how-artificial-intelligence-can-deliver-real-value-to-companies

6. “Aprovechando la automatización para un futuro que funcione”, por James Manyika, Michael Chui, Mehdi Miremadi, Jacques Bughin, Katy George, Paul Willmott y Martin Dewhurst, blog de McKinsey Global Institute, enero de 2017. Disponible en: http://www.mckinsey.com/global-themes/digital-disruption/harnessing-automation-for-a-future-that-works

7. “Preparándose para la ‘Fuerza de Trabajo Aumentada’”, CFO Journal, un programa conjunto de The Wall Street Journal y Deloitte, 19 de septiembre de 2017. Disponible en: http://deloitte.wsj.com/cfo/2017/09/19/preparing-for-the-augmented-workforce/ 8 “Preparándose para la ‘Fuerza de Trabajo Aumentada’”, CFO Journal, un programa conjunto de The Wall Street Journal y Deloitte, 19 de septiembre de 2017. Disponible en: http://deloitte.wsj.com/cfo/2017/09/19/preparing-for-the-augmented-workforce/ PNC es una marca registrada de The PNC Financial Services Group, Inc. (“PNC”)

La pandemia por COVID-19 no sólo cambió las dinámicas de trabajo, sino también las habilidades que los equipos requieren para afrontar los nuevos retos.

En este escenario, en el que la tecnología ha cobrado fuerza y se ha colocado como un aliado estratégico para las empresas, las herramientas impulsadas por Inteligencia Artificial (IA) han demostrado ser necesarias para impulsar el talento y desarrollo de las organizaciones.

“La IA tiene el potencial de impulsar y desarrollar nuevas y mejores habilidades en los equipos de trabajo para convertirlos en súper equipos; así, estos tienen un marco de acción más amplio para solucionar problemas complejos y hacer de sus empresas organizaciones más resilientes y competitivas”, afirma Gustavo Parés, director de la empresa mexicana especializada en Inteligencia Artificial, NDS Cognitive Labs.

Cada vez son más los negocios interesados en incorporar la IA entre sus colaboradores, ya que esta herramienta brinda las condiciones necesarias para un desempeño óptimo.

En este sentido, datos de Gartner señalan que desde el año 2019, los chatbots son la herramienta basada en inteligencia artificial más utilizada por las empresas alrededor del mundo, ya que ayudan a los colaboradores con tareas rutinarias, mientras que éstos últimos se concentran en tareas más complejas. Inclusive, la firma estima que para el 2022, el 70% de los trabajadores administrativos interactuarán con estos asistentes virtuales a diario.

“La inteligencia artificial es un complemento para los equipos de trabajo, no un sustituto. Estas herramientas se han diseñado para trabajar en colaboración con los empleados y aumentar sus alcances, mejorar su toma de decisiones, hacer gestión más eficiente del tiempo y recursos. Detectan las áreas susceptibles a mejorar y brindan -a través de la analítica- posibles soluciones”, añade Parés.

De acuerdo con el reporte El Futuro del Trabajo en América Latina, realizado por la empresa Runa, las habilidades más importantes a desarrollar en los empleados de la región a raíz de la pandemia son comunicación, análisis de datos, resiliencia y colaboración.

Para lograr estas nuevas competencias, los managers y líderes de equipo consultados para dicho estudio refirieron que las herramientas impulsadas por IA son clave en sus estrategias a corto y largo plazo.

¿Qué puede hacer la IA por tu equipo de trabajo?

Mejorar el reclutamiento del nuevo talento. Las herramientas de IA tienen el potencial de analizar la experiencia laboral, aptitudes y actitudes de los candidatos y determinar el porcentaje de compatibilidad con la vacante, garantizando que el nuevo talento sea el que la empresa necesita.

Facilita la toma de decisiones. Con los datos que recolectan y analizan las herramientas impulsadas por IA, los tomadores de decisiones pueden diseñar nuevas dinámicas para hacer más eficientes y productivos a los equipos.

Capacitación. Algunas empresas usan chatbots para capacitar a sus trabajadores, sobre todo si estos laboran de forma remota. La capacidad de estas plataformas conversacionales de responder en tiempo real y de interactuar de forma sencilla y sin fricciones es ideal para mantener conversaciones con los empleados.

Mejorar la comunicación entre managers y equipos de trabajo. La IA tiene el poder de transformar cualquier interacción en datos que sirven a las empresas para medir el nivel de satisfacción de los empleados y sus opiniones sobre las áreas a mejorar; permiten que la comunicación fluya de manera eficiente en ambas vías.

Gestión de tareas. Existen herramientas de IA que ayudan a gestionar las tareas y mejorar la organización del trabajo. Algunas de éstas se encuentran en la nube y son muy sencillas de utilizar. Otras como Make me son plataformas que también utilizan la IA para planear metas, monitorear y medir los resultados de forma individual o en equipo.

Optimización del tiempo y trabajo. Organizar el tiempo y empatar con las necesidades y recursos de las organizaciones es todo un reto. Plataformas como Microsoft To Do ayudan a brindar sugerencias inteligentes y personalizadas para crear o actualizar listas de pendientes diarias y compartirlas con el resto del equipo.

Bienestar para el trabajo. Según el informe Tendencias Globales en Capital Humano 2021 de Deloitte, para el 80% de las organizaciones a nivel mundial el bienestar de los equipos de trabajo es una prioridad. Por ello, cada vez más organizaciones invierten en ambientes de trabajo saludables que fomenten el trabajo en equipo, la comunicación y el desarrollo profesional de los colaboradores. Para esto existen soluciones como RescueTime, que detecta los periodos de procrastinación y ayuda a reducirlos para que el tiempo de los equipos se traduzca en trabajo eficiente.

La inteligencia artificial puede ser utilizada por pequeñas empresas para capacitar a sus trabajadores de diversas maneras. Aquí algunas posibles opciones:

Análisis de habilidades: La IA puede analizar las habilidades y fortalezas individuales de cada trabajador para asignarles tareas y proyectos que se ajusten a sus habilidades y experiencia.
Aprendizaje personalizado: La IA puede personalizar la formación de los trabajadores de acuerdo con sus necesidades y niveles de conocimiento previos, proporcionándoles un aprendizaje efectivo y eficiente.
Monitoreo del desempeño: La IA puede monitorear el progreso de los trabajadores y proporcionar retroalimentación en tiempo real para ayudarlos a mejorar.
Automatización de tareas: La IA puede automatizar tareas repetitivas y monótonas, permitiendo que los trabajadores se enfoquen en tareas más estratégicas y valiosas para la empresa

Simulaciones de entrenamiento: La IA puede desarrollar simulaciones y escenarios de entrenamiento para ayudar a los trabajadores a prepararse para situaciones reales y mejorar su toma de decisiones.

Es importante destacar que la capacitación y el desarrollo de los trabajadores también deberían incluir programas de formación tradicionales, así como la colaboración y el coaching de los líderes de la empresa. La IA puede ser una herramienta útil para mejorar la capacitación, pero no debería ser la única.

¿Como los trabajadores pueden alcanzar tareas de responsabilidad de manera distribuida en las pequeñas empresas?

Los trabajadores pueden alcanzar tareas de responsabilidad de manera distribuida en las pequeñas empresas a través de la implementación de una cultura de colaboración y equipo, en la que se fomente la comunicación abierta y el trabajo en conjunto para lograr objetivos comunes. Es importante que cada trabajador tenga claridad sobre sus responsabilidades y que se les brinde la capacitación y herramientas necesarias para cumplirlas de manera efectiva. Además, la tecnología de inteligencia artificial puede ayudar a automatizar tareas repetitivas y monótonas, liberando tiempo para que los trabajadores se enfoquen en tareas de mayor valor añadido.

¿Cómo pueden autoevaluarse los trabajadores en su trabajo y en su capacitación en pequeñas empresas?

Los trabajadores pueden autoevaluarse en su trabajo y capacitación en pequeñas empresas a través de varios métodos, por ejemplo:

Feedback de sus superiores: los superiores o gerentes pueden proporcionar retroalimentación regular sobre el rendimiento de los trabajadores.
Evaluación de desempeño: una evaluación anual o periódica del desempeño es una manera efectiva de revisar los logros y áreas de mejora de los trabajadores.
Autorreflexión: los trabajadores pueden reflexionar sobre su propio desempeño y establecer objetivos para mejorar.
Análisis de datos: la inteligencia artificial puede analizar datos de rendimiento de los trabajadores para ayudarlos a identificar áreas de mejora y establecer objetivos.

Estos métodos pueden ayudar a los trabajadores a desarrollarse profesionalmente y a contribuir más eficazmente al éxito de la empresa.

¿Qué programas de inteligencia artificial puede. Emplear los trabajadores de pequeñas empresas para autoevaluarse?

Hay varios programas de inteligencia artificial que los trabajadores de pequeñas empresas pueden utilizar para autoevaluarse. Algunos de ellos son:

Sistemas de seguimiento de desempeño: estos programas pueden ayudar a los trabajadores a monitorear su progreso y desempeño en su trabajo.
Aplicaciones de aprendizaje en línea: los trabajadores pueden utilizar estas aplicaciones para capacitarse y evaluarse en su aprendizaje.
Análisis de datos: los trabajadores pueden utilizar algoritmos de inteligencia artificial para analizar su desempeño y progreso en el trabajo.

Estos programas pueden ayudar a los trabajadores a identificar sus fortalezas y debilidades y a trabajar en ellas para mejorar su desempeño en el trabajo.

¿Qué algoritmos pueden utilizar?

Los trabajadores de pequeñas empresas pueden utilizar algoritmos de aprendizaje automático y análisis de datos para autoevaluarse. Por ejemplo, pueden utilizar algoritmos de análisis de desempeño para evaluar su rendimiento en tareas específicas, y algoritmos de aprendizaje supervisado para medir su capacidad de realizar tareas nuevas y su habilidad para aprender y mejorar continuamente. Estos algoritmos pueden ayudar a los trabajadores a identificar sus fortalezas y debilidades, y a priorizar las áreas en las que deben mejorar para alcanzar su máximo potencial en el trabajo.

¿Que algoritmos sin los que pueden identificar sus fortalezas y debilidades?

Los algoritmos que se pueden utilizar para la autoevaluación de los trabajadores en pequeñas empresas incluyen:

Algoritmos de aprendizaje automático: Pueden analizar los datos de desempeño de un trabajador y su historial de tareas para identificar sus fortalezas y debilidades.
Algoritmos de análisis de sentimientos: Pueden analizar la retroalimentación y opiniones de los colegas y superiores sobre el desempeño de un trabajador.
Algoritmos de clasificación: Pueden clasificar los datos de desempeño de un trabajador en categorías para identificar sus fortalezas y debilidades.

Es importante señalar que estos algoritmos deben ser desarrollados y utilizados en conjunto con otras evaluaciones humanas y métodos de retroalimentación para garantizar una evaluación precisa y justa de los trabajadores.

¿Cómo va a influir la inteligencia artificial en este tipo de empresas pequeñas en la substitución de los hombres por las máquinas?

La inteligencia artificial puede influir en la substitución de trabajadores humanos por máquinas en pequeñas empresas de varias maneras, como la automatización de tareas repetitivas, la optimización de procesos, la mejora de la eficiencia y la reducción de costos. Sin embargo, también es importante tener en cuenta que la IA puede complementar el trabajo humano, mejorando la productividad y permitiendo a los trabajadores centrarse en tareas más valiosas y estratégicas. En última instancia, la influencia de la IA en la substitución de trabajadores depende de la forma en que se utilice y de cómo se gestione su implementación.

¿Cómo estas empresas puede crear proyectos de colaboración entre hombres e inteligencia artificial?

Las pequeñas empresas pueden crear proyectos de colaboración entre hombres e inteligencia artificial mediante la integración de tecnologías de IA en los procesos de trabajo y la capacitación de los trabajadores en su uso. También es importante establecer una cultura de trabajo en equipo que fomente la colaboración entre la tecnología y los trabajadores. La IA puede complementar y mejorar la eficiencia de los procesos, mientras que los trabajadores pueden aportar su experiencia y conocimientos únicos para resolver problemas y tomar decisiones críticas. Es importante buscar un equilibrio entre la utilización de la tecnología y la participación humana en la toma de decisiones, para lograr una colaboración efectiva y una mejora continua en la empresa.

Científicos que investigan la relación hombres con la inteligencia artificial para pequeñas empresas:

Hay muchos científicos e investigadores que estudian la relación entre los humanos y la inteligencia artificial en el contexto de las pequeñas empresas. Algunos de ellos incluyen a Susan H. Brennan, Fei-Fei Li, Kate Crawford, Kate Lockwood, etc. Estos científicos se enfocan en cómo la inteligencia artificial puede mejorar la productividad y eficiencia en las pequeñas empresas, así como también en cómo puede ayudar a los trabajadores a desarrollar nuevas habilidades y mejorar su bienestar.

Obra de estos cientificos:

Hay muchos científicos y expertos que estudian la relación entre humanos y la inteligencia artificial en pequeñas empresas, así como sus impactos y posibilidades. Algunos de los trabajos más relevantes en este campo incluyen estudios sobre la productividad y eficiencia en pequeñas empresas que utilizan tecnología AI, la forma en que la IA puede ser utilizada para mejorar la toma de decisiones en pequeñas empresas, y la forma en que la IA puede ser utilizada para mejorar la comunicación y colaboración entre los trabajadores. Estos trabajos suelen estar publicados en revistas académicas y conferencias especializadas en el área de la inteligencia artificial y la tecnología empresarial.

De que maneras podemos explicar a las pequeñas empresas todos los procesos de los que Jos hablado con anterioridad

Para explicar a las pequeñas empresas todos los procesos relacionados con la inteligencia artificial, se pueden utilizar varias estrategias:

Presentaciones claras y concisas: Se pueden crear presentaciones visuales que expliquen de manera clara y concisa los procesos y cómo estos pueden ayudar a mejorar la productividad, gestión de personal y eficiencia de la empresa.
Casos de éxito: Se pueden compartir ejemplos de otras empresas similares que hayan implementado la inteligencia artificial con éxito, lo que ayudará a las pequeñas empresas a entender mejor los beneficubrimientos y aplicaciones reales.
Capacitaciones y talleres: Se pueden ofrecer capacitaciones y talleres especializados en los que se puedan discutir y practicar los conceptos relacionados con la inteligencia artificial en pequeñas empresas.
Material de apoyo: Se puede proporcionar material de apoyo, como folletos, videos y guías, para ayudar a las pequeñas empresas a comprender y aplicar los procesos.
Consultoría especializada: Se puede contratar un consultor especializado en inteligencia artificial para ayudar a las pequeñas empresas a entender y aplicar los procesos y solucionar cualquier problema o duda que puedan tener.

¿Existe material de apoyo para ello que se pueda mostrar ejemplos?

Sí, existe una amplia variedad de material de apoyo que puede ayudar a explicar los procesos relacionados con la inteligencia artificial en pequeñas empresas. Algunos ejemplos incluyen videos de demostración, tutoriales en línea, folletos informativos, infografías, entre otros. También puedes buscar presentaciones en línea en sitios web especializados en tecnología y negocios, así como en foros y comunidades en línea donde se discuta el uso de la inteligencia artificial en pequeñas empresas.

¿Artículos que hablan sobre ello?

Hay muchos artículos que hablan sobre el uso de la inteligencia artificial en pequeñas empresas. Estos artículos pueden encontrarse en revistas especializadas en tecnología, negocios y administración, y en medios de comunicación generalistas. Algunos de ellos pueden proporcionar información sobre cómo las pequeñas empresas pueden implementar la inteligencia artificial en su día a día, los desafíos a los que se enfrentan, los casos de éxito y fracaso, y los factores clave para tener éxito.

Además, también puedes encontrar información en blogs y sitios web especializados en inteligencia artificial y tecnología empresarial, así como en conferencias y eventos relacionados con la temática. Es importante investigar y leer varios artículos y fuentes para tener una comprensión completa y actualizada del tema.

Nombres de revistas especializadas:

Hay muchas revistas especializadas que abordan el tema de la Inteligencia Artificial en pequeñas empresas, algunos ejemplos pueden ser:

«Journal of Small Business Management»
«International Journal of Entrepreneurial Behaviour & Research»
«Small Business Economics»
«Entrepreneurship Theory and Practice»
«Journal of Business Venturing»

Nombres de blogs que hablen sobre ello:

Hay varios blogs que abordan el tema de la inteligencia artificial en pequeñas empresas, aquí te menciono algunos de ellos:

AI Business
Small Business Trends
Forbes Small Business
VentureBeat Insights
Entrepreneur AI
AI Time Journal
AI for Small Business
AI Small Biz
AI in Small Business
AI for Entrepreneurs.

Estos blogs ofrecen noticias, artículos, tendencias, soluciones, casos de éxito y otros recursos para pequeñas empresas interesadas en adoptar tecnologías de inteligencia artificial en sus procesos y operaciones.

Educación e inteligencia artificial, aspectos criticos:

En el ámbito de la educación e inteligencia artificial, hay varios aspectos críticos que deben ser considerados. Algunos de ellos son:

Desigualdad tecnológica: La implementación de la IA en la educación puede ampliar la brecha digital entre aquellos que tienen acceso a la tecnología y aquellos que no.
Personalización limitada: La IA puede ser útil para personalizar la enseñanza, pero también existe el riesgo de que se produzca una «personalización limitada» si los algoritmos están entrenados con datos sesgados.
Pérdida de habilidades humanas: La dependencia excesiva de la IA en la educación puede llevar a una pérdida de habilidades humanas como la capacidad de pensamiento crítico y la resolución de problemas.
Protección de datos: Con la implementación de la IA en la educación, también es importante considerar la privacidad y la seguridad de los datos de los estudiantes.

Es importante que se aborden estos desafíos para asegurar que la IA tenga un impacto positivo en la educación y no perpetúe la desigualdad o agrave problemas existentes.

¿Con la inteligencia artificial podemos hacer que el pensamiento crítico se entrene de manera inclusiva?

Sí, la inteligencia artificial puede ser una herramienta útil para mejorar la educación y el pensamiento crítico. Por ejemplo, puede ser utilizada para personalizar el aprendizaje y adaptarse a las necesidades individuales de los estudiantes, brindar retroalimentación en tiempo real y ayudar a identificar las fortalezas y debilidades de los estudiantes. Además, la inteligencia artificial puede ayudar a facilitar la toma de decisiones en el aula y mejorar la eficiencia de la enseñanza. Sin embargo, es importante tener en cuenta que la inteligencia artificial debe ser utilizada de manera responsable y ética para asegurarse de que los resultados sean inclusivos y no perpetúen las desigualdades existentes.

¿Este entrenamiento educativo de la inteligencia artificial puede exportarse a la pequeña empresa?

Sí, la inteligencia artificial puede ser utilizada para mejorar la capacitación y formación de los empleados en pequeñas empresas. Por ejemplo, pueden implementarse programas de aprendizaje automático que permitan a los trabajadores entrenarse de manera personalizada en habilidades específicas y desarrollar su pensamiento crítico. Además, la inteligencia artificial puede ser utilizada para monitorear y evaluar el progreso de los trabajadores, proporcionar retroalimentación en tiempo real y generar informes detallados sobre las fortalezas y debilidades de cada individuo. De esta manera, se puede mejorar la eficiencia y efectividad del proceso de capacitación en la pequeña empresa.

REFERENCIAS

Ahumada-Tello, 2011 E. Ahumada-Tello. La Gestión del Conocimiento en la Generación de Competitividad Sistémica: El Sector de Tecnologías de la Información en Tijuana, B.C.. Tijuana: Universidad Autónoma de Baja California; 2011. [ Links ]

Ahumada-Tello et al., 2012 E. Ahumada-Tello, R.E. Zárate Cornejo, I. Plascencia López, J.M. Perusquia-Velasco. Modelo de competitividad basado en el conocimiento: el caso de las pymes del sector de tecnologías de información en Baja California. Revista International Administración & Finanzas. 2012; 5:13p [ Links ]

Ángel, 2010 A.C. Ángel. La imposibilidad de la certeza. Debates IESA. 2010; 15:11p [ Links ]

Araya Guzmán, 2004 S.A. Araya Guzmán. Los sistemas de información y su interacción con la dimensión cultural de las organizaciones. Revista Ingeniería Industrial. 2004; 3:13p [ Links ]

Bara et al., 2009 A. Bara, I. Botha, V. Diaconita, I. Lungu, A. Velicanu, M. Velicanu. A model for business intelligence systems’ development. Informatica Economica. 2009; 13:99p [ Links ]

Berg de Valdivia, 2007 C.M. Berg de Valdivia. Gestión del conocimiento para la mejora de la competitividad de las empresas de telecomunicaciones. Lima, Perú: Universidad Nacional de Ingeniería; 2007. [ Links ]

Bueno, 2008 E. Bueno. La Sociedad del Conocimiento: una realidad inacabada. Conocimiento e Innovación: Retos de la Gestión Empresarial. México: UAM-UNAM-Plaza y Valdés; 2008. 25p [ Links ]

Bueno, 2000 E. Bueno. Perspectivas sobre dirección del conocimiento y capital intelectual. Madrid: Instituto Universitario Eurofórum Escorial; 2000. [ Links ]

Carrillo et al., 2012 J. Carrillo, A. Hualde, D. Villavicencio. Dilemas de la Innovación en México. Dinámicas sectoriales, territoriales e institucionales. Tijuana, Baja California, México: El Colegio de la Frontera Norte; 2012. [ Links ]

Chaabouni y Triki, 2013 A. Chaabouni, A. Triki. Contribution of an ERP (Enterprise Resource Planning) system to the decision making: Case of two industrial SMEs. Revue des Sciences de Gestion. 2013; 48:10p [ Links ]

Chesbrough, 2010 H. Chesbrough. Open Business Models. Boston, USA: Harvard Business School Press; 2010. [ Links ]

Chesbrough, 2011 H. Chesbrough. Open Services Innovation. San Francisco, USA: Jossey Bass. A Wiley Imprint; 2011. [ Links ]

Davenport y Prusak, 2001 T. Davenport, L. Prusak. Conocimiento en acción. Cómo las organizaciones manejan lo que saben. 1.a ed.. Buenos Aires: Prentice Hall; 2001. [ Links ]

De la Fuente, 2002 De la Fuente J.R. Entrevista sobre Educación. Gaceta UNAM, 9 (26 de septiembre de 2002). [ Links ]

Del Brío et al., 2005 J.Á. Del Brío, E. Fernández, B. Junquera. Dificultad de Imitación de las Capacidades Medioambientales y Ventaja Competitiva. Un estudio empírico. Revista Europea de Dirección y Economía de Empresa. 2005; 14:59p [ Links ]

Delgado y Garibotti, 2005 J. Delgado, H. Garibotti. Políticas de promoción de la industria del software. Universidad del CEMA; 2005. [ Links ]

Deng y Chi, 2012 X. Deng, L. Chi. Understanding postadoptive behaviors in information systems use: A longitudinal analysis of system use problems in the business intelligence context. Journal of Management Information Systems. 2012; 29:291p [ Links ]

Duran, 2002 Duran M. Auditoria general d’una empresa d’alta tecnologia com a procediment inicial en la implementació d’una estratègia de formació continuada: la gestió del coneixement [tesis doctoral]. Barcelona, 2002. [ Links ]

Edvinsson et al., 2005 L. Edvinsson, P. Hofman-Bang, K. Jacobsen. Intellectual capital in waiting — a strategic IC challenge. Handbook of Business Strategy. 2005; 6:133p [ Links ]

EFQM, 2010 EFQM. European Foundation for Quality Management [consultado 1 Oct 2010]. Disponible en: http://www.efqm.org [ Links ]

Elbashir et al., 2011 M.Z. Elbashir, P.A. Collier, S.G. Sutton. The role of organizational absorptive capacity in strategic use of business intelligence to support integrated management control systems. The Accounting Review. 2011; 86:155p [ Links ]

Esser et al., 1996 K. Esser, W. Hillebrand, D. Messner, J. Meyer-Stamer. Competitividad internacional de las empresas y politicas requeridas: Competitividad sistémica. Berlin: Instituto Alemán de Desarrollo; 1996. [ Links ]

Fernández Nogales, 1998 Á. Fernández Nogales. Investigación de mercados: obtención de información. Madrid: Ed. Civitas. Biblioteca Civitas Economía y Empresa. Colección Empresa; 1998. [ Links ]

Freire, 1973 P. Freire. La educación como práctica de la libertad. Buenos Aires, Argentina: Siglo XXI; 1973. [ Links ]

Gallego y Ongallo, 2004 D. Gallego, C. Ongallo. Conocimiento y gestión. Madrid: Pearson Education; 2004. [ Links ]

García, 2009 G. García. El concepto de competitividad sistémica. Revista Universidad de Sonora; 2009. [ Links ]

Goebbels, 1938 J.P. Goebbels. Der Rundfunk als achte Grossmacht — The radio as the eigth great power. Signale der neuen Zeit. 25 ausgewählte Reden von Dr. Joseph Goebbels. 1938; 197p [ Links ]

Goitia et al., 2008 S. Goitia, S. Sáenz-de-Lacuesta, M. Bilbao. Implantación de sistemas de información empresarial. El Profesional de la Información. 2008; 17:540p [ Links ]

Grant, 1996 R. Grant. Toward a knowledge-base theory of the firm. Strategy Management Journal. 1996; 17:109p [ Links ]

Hansen et al., 1999 M.T. Hansen, N. Nohria, T. Tierney. What’s your strategy for managing knowledge?. Harvard Business Review. 1999; 77:106p [ Links ]

Hernández Sampieri et al., 2014 R. Hernández Sampieri, C. Fernández Collado, P. Baptista Lucio. Metodología de la investigación. 6.a ed.. México: McGraw Hill/Interamericana; 2014. [ Links ]

Kane et al., 2006 H. Kane, G. Ragsdell, C. Oppenheim. Knowledge Management Methodologies. The Electronic Journal of Knowledge Management. 2006; 4:141p [ Links ]

Kaplan y Norton, 2006 R.S. Kaplan, D.P. Norton. Balanced Scorecard. USA: Thomson; 2006. [ Links ]

Kogut y Zander, 1992 B. Kogut, U. Zander. Knowkedge of the firm, combinative capabilities, and the replication of technology. Organization Science. 1992; 3:383p [ Links ]

Krueger y Casey, 2000 Krueger, R.A. & Casey, M.A. (2000). Focus Groups. A Practical Guide for Applied Research (3ra. Edición). Thousand Oaks, CA: Sage Publications, 206 p, ISBN 0-7619-2070-6. [ Links ]

Kumar y Puranam, 2012 N. Kumar, P. Puranam. Injecting intelligence. Business Strategy Review. 2012; 23:48p [ Links ]

Larson, 2009 B. Larson. Delivering Business Intelligence. New York: McGraw Hill; 2009. [ Links ]

Marsal y Molina, 2002 M. Marsal, J. Molina. La gestión del conocimiento en las organizaciones. Madrid: Colección de Negocios, Empresa y Economía. Libros en red; 2002. [ Links ]

Medellín Cabrera, 2010 E.A. Medellín Cabrera. Gestión tecnológica en empresas innovadoras mexicanas [U. d. Paulo, editor]. RAI – Revista de Administração e Inovação. 2010; 7:58p [ Links ]

Meyer-Stamer, 2008 Meyer-Stamer J. (2008). Systemic Competitiveness and Local Economic Development. Duisburg: Shamim Boadhanya (ed.), Large Scale Systemic Change: Theories, Modeling and Practices. [ Links ]

Michel, 2006 G. Michel. Existencia y método. México, D.F.: Castellanos Editores; 2006. [ Links ]

Michelo et al., 2008 J. Michelo, E. Medellin, A. Hidalgo, J. Jassó. Conocimiento e innovación. México: UAM-UNAM-Plaza y Valdés; 2008. [ Links ]

Mircea, 2009 M.A. Mircea. Intelligence. Using business rules in business. Journal of Applied Quantitative Methods. 2009; 4:12p [ Links ]

Moss y Atre, 2003 L.T. Moss, S. Atre. Business Intelligence Roadmap: The Complete Project Lifecycle for Decision-Support Applications. USA: Addison Wesley; 2003. [ Links ]

Navarro y Bonilla, 2003 M.Á. Navarro, D.N. Bonilla. Gestión del conocimiento y servicios de inteligencia: la dimensión estratégica de la información. El Profesional de la Información. 2003; 12:13p [ Links ]

Nemutanzhela e Iyamu, 2011 P. Nemutanzhela, T. Iyamu. A framework for enhancing the information system innovation: Using competitive intelligence. Electronic Journal of Information Systems Evaluation. 2011; 14:242p [ Links ]

Nonaka y Takeuchi, 1999 I. Nonaka, H. Takeuchi. The knowledge creating company: How japanese companies create the dynamics of innovation. New York: Oxford University; 1999. 59p [ Links ]

Nunnally, 1967 Nunnally J C. (1967) Psychometric theory. New York: McGraw Hill, 640 p.[University of Chicago, Chicago, IL]. [ Links ]

Pavez Salazar, 2000 Pavez Salazar, A. A. (2000). La gestión del conocimiento en las organizaciones. Documento en línea. Disponible en: http://www.gestiondelconocimiento.com/documentos2/apavez/gdc.htm. Consultado el día 13 de octubre de 2013. [ Links ]

PRODUCEN, 2008 Reporte de Investigación del Clúster de Tecnologías de Información. Tijuana: Autor; 2008. [ Links ]

Railean, 2011 L. Railean. Ensuring Competitive Advantage in SMEs in the construction industry in Romania through Technological Innovation. Young Economists Journal/Revista Tinerilor Economisti. 2011; 9:110p [ Links ]

Rodríguez Gómez, 2006 D. Rodríguez Gómez. Modelos para la creación y gestión del conocimiento: Una aproximación teórica. Educar. 2006; 37:25p [ Links ]

Saint-Onge, 1996 H. Saint-Onge. Tacit knowledge: The key to the strategic aligment of intellectual capital. Strategy and Leadership. 1996; 24: [ Links ]

Sallis y Jones, 2002 E. Sallis, G. Jones. Knowledge Management in Education: Enchanging Learning and Education. Londres: Kogan Page Limited; 2002. [ Links ]

Shapiro y Varian, 1999 C. Shapiro, H. Varian. El dominio de la información: una guía estratégica para la economía de la red. Barcelona: Antoni Bosch Editor; 1999. [ Links ]

Surma, 2011 J. Surma. Business Intelligence: Making Decisions through Data Analytics. Boston, USA: Business Expert Press, LLC; 2011. [ Links ]

Tiwana, 2002 A. Tiwana. The knowledge management toolkit: Ochestrating IT, strategy, and knowledges platforms. Upper Sadder River, N.J: Prentice Hall; 2002. [ Links ]

UNESCO, 2005 Hacia las Sociedades del Conocimiento. París, Francia: Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura; 2005. [ Links ]

Villarreal, 2006 R. Villarreal. Competitividad en la Era del Conocimiento. México, D.F., México: Centro de Capital Intelectual y Competitividad; 2006. [ Links ]

Zapata-Cantú, 2004 L.E. Zapata-Cantú. Las determinantes de la generación y la transferencia del conocimiento en pequeñas y medianas empresas del sector de tecnologías de información en Barcelona [tesis doctoral]. Barcelona: Universitat Autónoma de Barcelona; 2004. [ Links ]

Zittoun, 2008 T. Zittoun. Learning through transitions: The role of institutions. Europan Journal of Psychology of Education. 2008; 165p [ Links ]

juandon. Innovación y conocimiento

La búsqueda del conocimiento en una Sociedad de la Inteligencia

Las nuevas EMPRESAS del S. XXI (Inteligencia artificial, algoritmos, formación, trabajo, relaciones, nuevos roles…)

AI y aprendizaje automático para la pequeña empresa

¿Qué es IA?

¿Qué es el aprendizaje automático?

Cómo puedo usar IA para optimizar mi pequeña empresa?

Cómo piensa la IA

¿Las máquinas piensan?

¿Qué es inteligencia artificial?

IA x Machine Learning x Deep Learning

Inteligencia artificial

Machine learning

Deep learning

Inteligencia artificial en empresas

1. Ventas y marketing

2. Medicina

3. Asistentes virtuales

4. Seguridad

5. Ciberseguridad

6. Transporte

7. Servicio

¿Cuáles son las ventajas de la inteligencia artificial?

Ejemplos reales del uso de la inteligencia artificial

Bradesco

Tenent

Facebook

Inteligencia artificial en su empresa

Cómo pueden las pymes beneficiarse de la inteligencia artificial

Aplicaciones de la inteligencia artificial en pymes

Estudiar el comportamiento de clientes y potenciales

Realizar predicciones

Asistencia virtual

Automatización de procesos

La inteligencia artificial en el mundo empresarial

Automatización de procesos

Análisis de datos

Apoyo a equipo humano

Atención al cliente

Ventajas del uso de inteligencia artificial

Más innovación

Aprendizaje de errores

Empresas que apuestan por la inteligencia artificial

Apple

Facebook

Tesla

Google

Inteligencia artificial, un futuro que ya es presente

Principales tecnologías de Inteligencia Artificial para marketing en empresas:

Machine Learning

Deep Learning

Procesamiento del lenguaje natural

Visión computacional

10 aplicaciones prácticas y ejemplos de Inteligencia Artificial en empresas

1. Recomendación de productos y servicios

2. Automatización del servicio a través de chatbots

3. Reconocimiento de voz

4. Reconocimiento de imágenes

5. Precios de productos

6. Segmentación de la audiencia

7. Campañas digitales

8. Personalización del producto

9. Curación de contenidos

10. Búsquedas personalizadas

Estudio de caso de Business Intelligence

Los mayores desafíos para aplicar la IA en las empresas

La brecha de talento de la IA

La creación de la cultura de la IA en las empresas

¿Adoptar o esperar?

Conclusión

¿Cuáles son los cuatro tipos de Inteligencia Artificial (IT) que debes conocer?

Usos de la Inteligencia Artificial en las empresas

¿Por qué viene creciendo tanto la Inteligencia Artificial (IT)?

¿La Inteligencia Artificial (IA) presenta riesgos para las empresas?

La Inteligencia Artificial en la industria de los seguros

El Internet de las Cosas (IoT) innova el mercado de los seguros con IA

Un evento, repórtalo en línea con IA

Adaptarse a los cambios

Propiciar los cambios

Los diferentes tipos de estructuras organizativas de una empresa y cómo transformarlas