Inteligencia de datos

¿Puede la IA sustituir a los paneles de control estáticos para el seguimiento del rendimiento empresarial?

¿Puede la IA sustituir a los paneles de control estáticos?

Muchas empresas cuentan con paneles de control precisos y actualizados que casi nunca se abren. Según un estudio de Gartner, el 80 % de los paneles de control quedan en desuso al cabo de 90 días. Incluso aquellos a los que la gente vuelve una y otra vez suelen quedarse en el mismo punto: muestran las cifras, pero dejan que sea otra persona la que averigüe qué hay detrás de ellas. Esa brecha es la que ahora se espera que cubra la IA.

¿Puede la IA sustituir a los paneles de control estáticos?

No es probable que la IA sustituya por completo a los paneles de control, ya que siguen siendo la forma más rápida de ver de un vistazo cómo va el negocio. Lo que cambia la IA es lo que ocurre después de que alguien consulte uno de ellos. En lugar de tener que rebuscar entre los archivos exportados para explicar un gráfico, los usuarios pueden preguntar qué ha cambiado y obtener una respuesta que les permita actuar en consecuencia, algo para lo que un conjunto fijo de gráficos nunca se diseñó.

La verdadera brecha: los paneles de control muestran lo que ha pasado, no qué hay que hacer a continuación

Dado que los paneles de control se basan en métricas definidas de antemano, son eficaces para realizar un seguimiento de cifras conocidas, pero tienen dificultades con la pregunta que surge a continuación. Si los ingresos caen en una región, el panel de control mostrará ese descenso. Averiguar el motivo suele implicar exportar datos, crear una nueva vista o enviar una solicitud al equipo de datos, para luego esperar una respuesta. En todos los equipos, esas solicitudes se acumulan rápidamente: un estudio de McKinsey revela que los equipos de datos dedican el 60 % de su tiempo a solicitudes repetitivas como estas.

Normalmente se nota cuándo los paneles de control han alcanzado este límite, ya que empiezan a aparecer los mismos patrones:

  • La gente pregunta antes de actuar. Abren un panel de control y, a continuación, envían un mensaje a un analista para preguntarle qué significa una cifra.
  • Cada pregunta se convierte en una solicitud. Las nuevas preguntas se convierten en nuevas versiones del panel de control en lugar de respuestas.
  • Las cifras no coinciden. Dos paneles de control muestran cifras diferentes para la misma métrica.
  • Las decisiones pueden esperar. Los equipos esperan hasta la próxima actualización o el próximo informe.

En la mayoría de estos casos, los propios paneles de control funcionan correctamente; el problema más complicado es pasar de una cifra a una decisión. Como afirma Mariana Hebborn, directora global de IA y gobernanza de datos en RR. HH.: «Los datos se ganan su lugar cuando influyen en una decisión, no cuando llenan un panel de control». 

Para saber más sobre las limitaciones de los paneles de control, descubre por qué los paneles de control de inteligencia empresarial no pueden responder a las preguntas de negocio.

Por qué la gobernanza es la que determina si esto funciona

Que las respuestas de la IA sean fiables depende de la gobernanza que las respalde. Cuando la IA consulta directamente las tablas sin procesar, tiene que adivinar qué significa cada métrica: qué cifra de ingresos utilizar, qué campo de fecha es relevante o qué se considera un «cliente activo». Si se formula la misma pregunta de dos maneras diferentes, es posible que se obtengan dos cifras distintas presentadas con la misma seguridad. La directora técnica de Actian, Emma McGrattan, denomina a esto «confusión automatizada» en su artículo « libro blanco » (La IA no es el problema. Tu modelo de datos sí lo es),  La IA no es el problema. Lo es tu modelo de datos.

Una capa semántica evita que esto ocurra al proporcionar a la IA un conjunto común de definiciones empresariales sobre las que basarse: tus métricas, cómo se relacionan entre sí y los términos que utilizan tus equipos. Dado que esas definiciones se establecen una sola vez y se aplican en todo momento, cada consulta devuelve siempre un número cuyo origen puede rastrearse.

IA sin control (consulta datos sin procesar) IA regulada (utiliza una capa semántica)
Cómo se definen los indicadores Se calcula en el momento de la consulta Se define una sola vez, por adelantado
cohérence Las respuestas varían según cómo se formule la pregunta La misma pregunta, la misma respuesta
Trazabilidad No hay forma de comprobar cómo se ha obtenido un número Las uniones, los filtros y los cálculos están visibles
¿Quién puede utilizarlo con total seguridad? Analistas capaces de detectar una respuesta incorrecta Usuarios empresariales de toda la empresa
¿Qué ocurre a gran escala? Las respuestas incorrectas se difunden más rápido Las respuestas fiables llegan a más gente

Ole Olesen-Bagneux, vicepresidente de Actian, resume así la tensión: «La IA probabilística no puede sustituir a los resultados determinísticos». La elaboración de informes empresariales requiere un cálculo idéntico en cada ocasión, que es precisamente lo que ofrece una capa regulada.

Cómo se vive el día a día de la IA regulada

Una vez implantada esa capa, la forma en que las personas trabajan con los datos cambia de cuatro maneras evidentes:

  • Pregunta en lugar de indagar. La gente formula preguntas en un lenguaje sencillo y obtiene respuestas basadas en definiciones consensuadas.
  • Detecta los cambios a tiempo. La detección de anomalías señala movimientos inusuales antes de que nadie se ponga a buscarlos.
  • Descubre cuál es el siguiente paso adecuado. Las vistas basadas en roles ofrecen al director regional y al director financiero las acciones que se ajustan a cada puesto.
  • Olvídate de las esperas. Las respuestas se basan en datos actuales, en lugar de en la última actualización programada.

Puedes leer más sobre por qué el análisis basado en IA necesita una capa semántica.

Cuatro formas de sacar partido al análisis basado en la inteligencia artificial

La IA regulada lo hace posible, pero sacar partido de ella depende de cómo trabajen tus equipos con ella:

  1. Asigna un paso a seguir a cada métrica. Una cifra por sí sola sigue dejando a la gente con dudas, así que asocia una acción recomendada o una alerta de umbral a cada dato que la IA revele.
  2. Dejemos que la capa semántica responda al «por qué». Envía las preguntas de seguimiento rutinarias a la IA regulada en lugar de a la cola de analistas, para que estos puedan centrarse en el trabajo que requiere su criterio.
  3. Anota los conocimientos empresariales en un lugar donde la IA pueda utilizarlos. Cuando definiciones como «cliente activo» se almacenan en la capa semántica en lugar de en la mente de una sola persona, permanecen intactas cuando esa persona se marcha.
  4. Mide los resultados, no las visitas. La señal más clara de que el análisis basado en IA funciona es la frecuencia con la que una información revelada ha llevado a alguien a actuar de forma diferente.

Lo que debes tener preparado antes de dar el paso

Antes de pasar de los paneles de control a la IA, hay dos aspectos que deben estar preparados: tus datos y tu infraestructura, así como tus controles de privacidad y seguridad.

Datos e infraestructura

Dado que la IA solo es tan fiable como los datos que analiza, este es el punto de partida:

  • Acceso a datos limpios e integrados. La IA necesita un acceso constante a los datos que va a consultar.
  • Fuentes compartidas. La IA debería leer los mismos canales de datos y almacenes que utilizan tus informes, para que ambos reflejen la misma información.
  • Una capa semántica actualizada. Las definiciones cambian a medida que cambia el negocio, por lo que una capa que se configura una vez y se deja tal cual acabará quedando desactualizada.

Privacidad y seguridad

Cuando la IA puede consultar datos en tiempo real, los usuarios pueden solicitar mucha más información de la que jamás les haya mostrado ningún panel de control, por lo que los controles de acceso deben extenderse hasta la propia capa de IA. Cada persona y cada agente de IA solo deben ver los datos y las métricas para los que tengan autorización. 

Para más información al respecto, consulta cómo la IA está transformando la gobernanza de los datos y el análisis.

¿Cuánto cuesta esto realmente?

Sustituir los paneles de control por la IA no es un simple cambio de herramienta, y hay dos costes que suelen pillar desprevenidos a los equipos:

  • Uso. Los costes de la IA suelen aumentar con el número de preguntas que se formulan los usuarios, por lo que es mejor calcular la demanda antes de implementar el servicio a gran escala, en lugar de hacerlo cuando llegue la primera factura.
  • Comprobación de respuestas. McGrattan escribe que «en muchas organizaciones, el coste de validar las respuestas generadas por IA ya rivaliza, o incluso supera, el coste de generarlas». Las respuestas supervisadas reducen ese coste, ya que las personas pueden ver cómo se ha calculado cada cifra.

El resultado suele traducirse en una menor acumulación de trabajo pendiente para el equipo de datos y en un tiempo de respuesta más rápido, con menos tiempo transcurrido entre una pregunta y una decisión.

¿Ya está listo o aún está madurando?

La mayor parte de lo que se describe en este artículo ya está listo para su uso hoy mismo, siempre que se regule adecuadamente, con la toma de decisiones autónoma como principal excepción:

Capacidad Situación actual
Responder a preguntas formuladas en un lenguaje sencillo Listos ya, si se nos permite
Supervisión y detección de anomalías Ya está listo
Recomendaciones sobre los próximos pasos a seguir Ya está listo, con una persona que se encarga de tomar la decisión
Actuar en función de decisiones sin supervisión humana Aún es pronto

La mayoría de los equipos están trabajando hoy en las tres primeras filas. Las decisiones totalmente autónomas se sitúan más adelante en el proceso y dependen de la confianza generada en las fases anteriores.

Hacia dónde nos dirigimos: de la visibilidad a la inteligencia decisional

La inteligencia de decisión consiste en utilizar datos e inteligencia artificial para recomendar decisiones y, en última instancia, ponerlas en práctica, en lugar de limitarse a informar de lo que ha ocurrido. La inteligencia empresarial te indica cómo está funcionando el negocio; la inteligencia de decisión va más allá al sugerir qué medidas tomar al respecto. La mayoría de las organizaciones avanzarán en esa dirección por etapas:

  • Hoy: La IA explica los cambios y responde a preguntas de seguimiento que los paneles de control no pueden resolver.
  • Siguiente: La IA recomienda la acción directamente y una persona la aprueba.
  • Más adelante: La IA actúa por sí misma en los tipos de decisiones acordados, una vez que la gobernanza se ha ganado esa confianza.

Cada etapa depende de la anterior, ya que nadie delega decisiones en una IA que no pueda supervisar.

Actian AI Analyst se basa en este enfoque, lo que permite a los usuarios empresariales formular preguntas en lenguaje natural y obtener respuestas de una capa semántica regulada que el Steward Agent crea y mantiene actualizada. El acceso está limitado a los modelos y métricas aprobados, tanto para las personas como para los agentes de IA, y cada respuesta muestra las uniones, los filtros y los cálculos que la han generado. En todo el conjunto de datos, la plataforma Actian Data Intelligence proporciona un linaje de extremo a extremo y un registro de auditoría de cada solicitud de acceso, de modo que los equipos pueden ver de dónde proceden los datos y quién los ha utilizado.

Descubre cómo funciona: inicia el recorrido por la plataforma de inteligencia de datos

Preguntas frecuentes

Es poco probable que la IA sustituya por completo a los paneles de control, ya que estos siguen siendo la forma más rápida de ver de un vistazo cómo está funcionando la empresa. Lo que cambia la IA es lo que ocurre después de que alguien consulte uno de ellos. En lugar de exportar datos para explicar un gráfico, los usuarios pueden preguntar qué ha cambiado y obtener una respuesta que les permita actuar en consecuencia, algo para lo que un conjunto fijo de gráficos nunca se diseñó.

La fiabilidad de las respuestas de la IA depende de las definiciones en las que se basan. Cuando la IA consulta directamente las tablas sin procesar, tiene que adivinar qué cifra de ingresos debe utilizar, qué campo de fecha es relevante o qué se considera un «cliente activo», por lo que una misma pregunta formulada de dos maneras diferentes puede arrojar dos cifras distintas. Una capa semántica soluciona este problema proporcionando a la IA un conjunto único de definiciones empresariales, que se establece una sola vez y se aplica en todo momento, de modo que cada respuesta puede remontarse a su origen.

Se necesitan dos cosas: datos e infraestructura listos para usar, y controles de seguridad que lleguen hasta la capa de IA. En lo que respecta a los datos, esto implica un acceso limpio e integrado, los mismos flujos de datos y almacenes que utilizan tus informes, y una capa semántica que se mantenga actualizada a medida que cambian las definiciones. En cuanto a la seguridad, cada persona y cada agente de IA solo deben ver los datos y las métricas para los que tienen autorización.

No se trata de un simple cambio de herramienta «uno por uno», y hay dos costes que suelen pillar desprevenidos a los equipos. Los costes de uso suelen aumentar con el número de preguntas que se formulan, por lo que conviene estimar la demanda antes de una implantación a gran escala. La validación es el otro factor: en muchas organizaciones, comprobar las respuestas generadas por la IA puede costar tanto como generarlas. Las respuestas supervisadas reducen ese coste, ya que se puede ver cómo se ha calculado cada cifra.

La mayor parte ya está lista hoy mismo, siempre que se controle adecuadamente. La respuesta a preguntas en lenguaje sencillo ya está lista si se controla adecuadamente, y la supervisión y la detección de anomalías también están listas. La recomendación de los siguientes pasos ya está lista, siempre que sea una persona quien tome la decisión. La ejecución de decisiones sin supervisión humana aún es prematura y depende de la confianza generada en las fases anteriores.

Actian AI Analyst permite a los usuarios empresariales formular preguntas en lenguaje natural y obtener respuestas a partir de una capa semántica regulada que el Steward Agent crea y mantiene actualizada. El acceso está limitado a los modelos y métricas aprobados, tanto para las personas como para los agentes de IA. Cada respuesta muestra las uniones, los filtros y los cálculos que la han generado, de modo que los equipos pueden verificar una cifra en lugar de darla por buena sin más.