Introducción

La inteligencia artificial se está convirtiendo rápidamente en un bien de uso general. En la actualidad, todas las organizaciones tienen acceso a modelos de IA cada vez más potentes que no dejan de mejorar a un ritmo extraordinario. La ventaja competitiva no provendrá de los modelos en sí mismos, sino de la calidad de la información empresarial a la que pueden acceder.

La inteligencia empresarial va más allá de data. Es la combinación de significado empresarial, gobernanza, relaciones, políticas y conocimiento institucional lo que permite a la IA comprender cómo funciona realmente una empresa. Sin ello, incluso los modelos de IA más avanzados tienen dificultades para generar resultados fiables, explicables y aplicables.

El reto no consiste en crear inteligencia empresarial partiendo de cero. Consiste en integrar el conocimiento empresarial fragmentado en una capa regulada, y adaptarla continuamente a medida que cambia el negocio. Es aquí donde se estancan muchas transformaciones basadas en la inteligencia artificial. Piense, por ejemplo, en un banco que define a un “cliente de alto riesgo”. El departamento de cumplimiento normativo lo señala por actividades sospechosas; el de crédito, por probable impago; y el de fraude, por transacciones inusuales. Cada equipo tiene razón según sus propias normas, pero las definiciones no coinciden, y esa es la brecha que la gobernanza cierra, proporcionando a cada sistema y agente de IA una respuesta común.

Este artículo presenta un plan de acción para la IA empresarial. Starburst muestra cómo las organizaciones crean inteligencia empresarial fiable a través de entornos distribuidos data y metadata. Artefact ilustra el modelo operativo que permite que dicha inteligencia se descubra, certifique, reutilice y mejore de forma continua. Juntos, proporcionan la base tecnológica y el modelo organizativo necesarios para poner en práctica la IA a escala empresarial.

¿Por qué los agentes conversacionales data no logran ampliarse tras varias pruebas piloto satisfactorias?

La mayoría de las organizaciones han demostrado que IA conversacional pueden funcionar. Crean proyectos piloto impresionantes, demuestran un valor empresarial real y generan entusiasmo en toda la organización. Sin embargo, son pocos los que logran convertir esos éxitos en una capacidad empresarial.

El reto radica en la preparación de las empresas. Antes de que los agentes conversacionales data puedan funcionar de forma fiable a gran escala, las organizaciones deben responder a tres preguntas fundamentales:

  • ¿Quién define el contexto empresarial en el que debe operar la IA?
  • ¿Cómo podemos garantizar que las recomendaciones de la IA sean fiables y explicables, y que estén vinculadas a la responsabilidad de la organización? 
  • ¿Cómo aprende y mejora continuamente el sistema a medida que evoluciona la empresa?

La capa de inteligencia empresarial: los recursos data foundations con los que ya cuenta son sus mayores activos en materia de IA

La inteligencia artificial solo puede generar resultados empresariales fiables cuando se dan tres condiciones de forma consecutiva: debe poder accederse a la plataforma empresarial data, debe organizarse el significado empresarial y debe activarse la información fiable allí donde se tomen las decisiones.

La «Enterprise Context Layer» sienta esas bases mediante un modelo de ejecución sencillo:

Conéctese. Enterprise data y metadata ya están presentes en los sistemas operativos, las plataformas cloud, los lagos de datos data, los catálogos, los modelos semánticos, las herramientas de BI y la documentación.

En lugar de exigir a las organizaciones que centralicen dichos activos, Starburst establece una estructura federada entre data y metadata, lo que permite que las iniciativas de IA se pongan en marcha de inmediato sin tener que esperar a que se completen los proyectos de migración o consolidación. Las organizaciones parten de la inteligencia de la que ya disponen.

Organizar. El data conectado se convierte en inteligencia empresarial reutilizable. La Capa de Contexto Empresarial organiza el data federado en productos data preparados para la inteligencia artificial, alineados con el funcionamiento de la empresa: cliente, producto, póliza, cuenta, riesgo, proveedor y otras entidades empresariales fundamentales.

Cada producto data combina cuatro elementos:

  • De confianza data
  • Significado en el ámbito empresarial
  • Lógica de negocio
  • Gobernanza integrada

En conjunto, todo ello da lugar a unidades reutilizables de inteligencia empresarial que pueden compartirse entre herramientas de análisis, aplicaciones e inteligencia artificial. En lugar de volver a crear el contexto empresarial para cada panel de control o agente, las organizaciones lo crean una sola vez y lo reutilizan en todas partes.

Activar. Los productos data preparados para la IA se convierten en la base común de inteligencia para los paneles de control, las aplicaciones, AIDA y los agentes de IA autorizados. Dado que cada producto data ya contiene significado empresarial fiable, relaciones, gobernanza y lógica empresarial reutilizable, la IA puede razonar a partir de la inteligencia empresarial en lugar de partir de datos data sin procesar.

A medida que los modelos de IA siguen mejorando, el valor de la «Enterprise Context Layer» aumenta con ellos. Los modelos más inteligentes incrementan el valor de la inteligencia empresarial fiable.

El multiplicador es: Modelo × Inteligencia empresarial

Conectarse. Organizarse. Ponerse en marcha.
Sienta las bases tecnológicas para la inteligencia artificial empresarial.

Para poner en práctica esa base se requiere una capacidad adicional: Mejora continua.

En el sector de los servicios financieros, esa base está más cerca de lo que la mayoría de las organizaciones creen. Aunque las entidades financieras invirtieron inicialmente en gobernanza para cumplir con los requisitos normativos, este esfuerzo obligatorio ha dado lugar a los pilares fundamentales de una capa contextual:

  • Data comisarios que cuenten con un conocimiento detallado de las definiciones empresariales a nivel operativo
  • Dominios Data que se caracterizan por estructuras de propiedad bien definidas y un linaje claro
  • Glosarios empresariales desarrollado bajo la supervisión de las autoridades reguladoras, incorporando ya la lógica que necesita un asistente de inteligencia artificial para funcionar de forma fiable

La implantación de agentes conversacionales Data en el sector de los servicios financieros no supone una transformación totalmente nueva. Se trata de una evolución natural evolución de los programas data governance ya en marcha, esta vez con el objetivo de ir más allá de una mera exigencia normativa.

Ejemplo: ¿Quién es el cliente?

Plantéese una pregunta sencilla en una gran entidad bancaria: ¿Quién es el cliente? Parece fácil, pero representa uno de los retos más complejos en el ámbito de los servicios financieros.
La respuesta depende de quién la plantee. La banca minorista define al cliente como el titular de una cuenta. La banca comercial se basa en una entidad jurídica o un grupo empresarial. La gestión patrimonial se basa en un hogar. Los equipos de lucha contra el blanqueo de capitales (AML) y de «conozca a su cliente» (KYC) definen al cliente como una persona sometida a una evaluación de riesgos, con un estado de filtrado y de inclusión en listas de vigilancia. El departamento de marketing considera al cliente como un perfil al que dirigirse, creado a partir de señales de comportamiento y transaccionales.
Ahora plantee a cada equipo la misma pregunta: ¿Cuántos clientes activos tenemos? Cada uno devuelve un número diferente porque cada uno utiliza una definición empresarial distinta, aunque válida. Sin el contexto empresarial, esas respuestas no pueden conciliarse. Un agente conversacional Data que aplique una única definición a todas las consultas generará inevitablemente respuestas incoherentes y minará la confianza de los usuarios.

La solución no es otro modelo de inteligencia artificial. Se trata de la gobernanza.

Las funciones de negocio son responsables de sus definiciones y las validan; los administradores de data las traducen en reglas de negocio reguladas y la capa semántica conserva ese contexto. A continuación, el agente conversacional Data selecciona la definición adecuada en función del rol del usuario, la función empresarial y la intención. Además, ahora sabe quién formula la pregunta, cuál es el contexto del usuario y determina a qué producto data se debe recurrir.

El modelo operativo de inteligencia empresarial

“Conectarse. Organizarse. Actuar.” sienta las bases tecnológicas para la inteligencia artificial empresarial.

La implantación de la IA a escala empresarial requiere una capacidad adicional: Mejorar.

La inteligencia empresarial no es un activo estático. Las definiciones empresariales evolucionan. Los productos cambian. La normativa cambia. Las capacidades de la inteligencia artificial mejoran. Cada interacción genera nuevas oportunidades para reforzar los cimientos de la inteligencia de la empresa.

La mejora continua se lleva a cabo mediante un ciclo operativo sencillo.

Descubra

Se debe aprovechar la inteligencia artificial para descubrir continuamente oportunidades que permitan mejorar la inteligencia empresarial.

Al observar metadata, los patrones de consulta, el uso de reglas de negocio, las relaciones entre los productos de data y el comportamiento de los consumidores; la plataforma identifica oportunidades para reforzar la lógica de negocio y recomendar nuevas Productos data preparados para la IA, mejorar metadata y ampliar la inteligencia reutilizable en distintos ámbitos. 

Cada interacción supone un nuevo aprendizaje.

Certificar

La IA descubre. Las personas generan confianza.

Para que la IA inspire confianza, es necesario establecer una responsabilidad clara, no aumentar la gobernanza. Los equipos empresariales y tecnológicos desempeñan, cada uno, un papel distinto a la hora de garantizar que la IA funcione en el contexto empresarial adecuado y siga mejorando a medida que la organización evoluciona.

  • Titulares de dominios contextuales regular el significado de los términos empresariales definiendo cómo se utilizan, quién los utiliza y para qué decisiones.
  • Equipos de habilitación de contextos (Data y arquitectos de IA) convertir el contexto definido por la empresa en productos data regulados y preparados para la inteligencia artificial.
  • Equipo de Controles de Contexto y Coordinación gestionar, regular y auditar la capa de contexto para garantizar que cada resultado generado por la IA sea trazable hasta una decisión empresarial documentada

Reutilización

La información certificada pasa a ser inmediatamente reutilizable en análisis, aplicaciones, AIDA, y agentes de inteligencia artificial homologados. Cada nuevo consumidor aporta información que mejora la base de inteligencia empresarial.

La inteligencia empresarial gana en fiabilidad, exhaustividad y valor con cada iteración.

Este modelo operativo no requiere una nueva estructura organizativa. Amplía la misión de las funciones ya existentes. La tecnología y las personas, en conjunto, crean un sistema de inteligencia continua.

Starburst proporciona la base tecnológica. El modelo operativo garantiza que la inteligencia empresarial evolucione de forma continua a medida que evoluciona el negocio.

¿Qué podría salir mal sin el modelo operativo?

Sin un modelo operativo inteligente, la IA carece del contexto empresarial fiable necesario para ofrecer respuestas coherentes y fiables. Imagínese un banco que implante asistentes de IA antes de que se hayan regulado y certificado las definiciones, políticas y normas empresariales. Cuando los directivos solicitan el número de clientes activos, los distintos agentes de IA y paneles de control ofrecen respuestas diferentes.

El problema va mucho más allá de unas cifras incoherentes. Sin una atribución clara de la responsabilidad sobre el propio contexto empresarial, nadie puede explicar qué definición se aplicó, por qué se eligió o quién la aprobó como política. Cuando algo sale mal, la responsabilidad se diluye en un “lo dijo la IA”, y esa no es una respuesta que los ejecutivos, los reguladores o los clientes vayan a aceptar. A medida que la IA se va integrando en la toma de decisiones cotidiana, las organizaciones no pueden permitirse una inteligencia de la que nadie se haga responsable.

Las organizaciones líderes reconocen que el reto no consiste en crear más agentes de inteligencia artificial, sino en determinar quién es el responsable del contexto empresarial del que se nutre cada agente, de modo que la confianza y la responsabilidad crezcan a la par que este.

Cómo abordamos esta cuestión en Artefact

En Artefact, la evaluación forma parte integrante de nuestra metodología «AI Factory» como línea de trabajo fundamental. Cada proyecto relacionado con agentes incluye una fase de diseño del marco de evaluación que se desarrolla en paralelo al desarrollo del agente. Definimos criterios de evaluación a nivel de trayectoria, creamos bibliotecas de escenarios adaptadas al caso de uso y establecemos un seguimiento continuo antes de que el agente entre en funcionamiento.

El razonamiento que subyace a esto es sencillo: Un agente que se puede medir es un agente en el que se puede confiar, que se puede mejorar y que se puede ampliar. Las organizaciones con las que colaboramos y que adoptan esta disciplina desde el principio suelen alcanzar la fase de producción más rápidamente y con una mayor confianza por parte de las partes interesadas.

Los líderes en inteligencia artificial no se limitan a crear mejores agentes. Están creación de un modelo operativo inteligente ahora, porque lo consideran ambas cosas un motor de crecimiento inmediato y una ventaja competitiva a largo plazo.

Una capa de inteligencia regulada, cuya propiedad y mantenimiento recaen en administradores claramente identificados, impulsa todas las iniciativas de IA de forma simultánea. La gobernanza ya está integrada, por lo que los equipos no tienen que incorporarla posteriormente. Esta capa es compatible con cualquier agente que el equipo decida desarrollar, de modo que cada nueva iniciativa parte de la misma base de confianza, en lugar de tener que reconstruirla desde cero. Y, dado que los usuarios de la empresa pueden recurrir por sí mismos a una fuente en la que confían, dejan de tener que esperar a que el departamento de TI les dé una respuesta. En general, los equipos dejan de reinventar definiciones, reglas y contexto para cada nuevo caso de uso, ya que alguien ya ha realizado ese trabajo y se encarga de mantenerlo actualizado.

¿Por dónde deberían empezar las organizaciones? El camino hacia una IA en la que se pueda confiar comienza con casos de uso específicos, no con una transformación a gran escala en toda la empresa. Las organizaciones líderes identifican en qué ámbitos del contexto empresarial se puede lograr un mayor impacto, asignan desde el principio responsables claros para cada uno de esos ámbitos y utilizan esos primeros conocimientos para ir perfeccionando su modelo operativo con el paso del tiempo.

A medida que los modelos de IA evolucionen, las organizaciones que cuenten con una inteligencia empresarial fiable y una rendición de cuentas clara crecerán más rápidamente y obtendrán una ventaja competitiva duradera frente a aquellas que se vean limitadas por un modelo data fragmentado y un contexto empresarial sin titularidad clara.

Preparar la inteligencia hoy en día no es solo prepararse para el futuro de la IA. Es una ventaja estratégica para el mañana, y empieza por decidir quién es el responsable de que todo salga bien.

 

Si desea conocer cómo estamos ayudando a otros clientes a afrontar esta situación, póngase en contacto con los equipos de Artefact y Starburst: 

Artefact: Akhilesh Kale (akhilesh.kale@artefact.com) | Nivetha Aravindan (nivetha.aravindan@artefact.com) 

Starburst: Adran Estala (adrian.estala@starburstdata.com) | Christian Vélez (christian.velez@starburstdata.com) | Evan Smith (evan.smith@starburstdata.com)