Diario de Innovación #71
La IA como Máquina de Predicción: Cambiando las Reglas del Juego
Imaginemos que vivimos en el año 1890. La electricidad ya existe, pero solo el 3% de los hogares en EE.UU. la usan. Las fábricas siguen funcionando con vapor, y aunque la bombilla de Edison promete un futuro brillante, la mayoría de las industrias no saben cómo aprovechar realmente esta nueva tecnología.
Ahora, traigamos esto al presente. Cambiemos electricidad por inteligencia artificial. Estamos en un punto intermedio, también conocido como “Between Times”, como lo llaman Ajay Agrawal, Joshua Gans y Avi Goldfarb en su libro Power and Prediction: The Disruptive Economics of Artificial Intelligence. Sabemos que la IA es poderosa, pero ¿cómo llegamos al momento en que transforme realmente la sociedad?
Hoy iniciamos una serie en la que analizaremos algunos de los aprendizajes de este libro, el cual nos ayudará a comprender cómo la IA, al igual que la electricidad en su época, avanza en tres etapas: soluciones puntuales, aplicaciones innovadoras y rediseños de sistemas.
Suscríbete para leer esta y otras muchas historias sobre innovación, tecnología y negocios.
Creo que ya hemos mencionado varias veces en esta newsletter la idea de que, aunque la historia no se repita exactamente, sí suele rimar, y mucho.
Para entender lo que está pasando con la IA hoy, volvamos a la electricidad. En el siglo XIX, hubo tres tipos de emprendedores:
1. Los que reemplazaban el vapor por electricidad en fábricas. Eran mejoras pequeñas, pero no cambiaban la forma en que se trabajaba.
2. Los que usaban la electricidad de formas nuevas, como en motores eléctricos para tranvías y ascensores. Innovaciones útiles, pero que aún se adaptaban a sistemas viejos.
3. Los que rediseñaron por completo cómo funcionaban las cosas, como Henry Ford con su línea de ensamblaje.
La pregunta es: ¿dónde estamos hoy con la inteligencia artificial?
Hoy, podríamos afirmar que la IA está mayormente en la primera etapa: soluciones puntuales. La usamos para mejorar cosas específicas:
Detectar fraudes en bancos.
Hacer recomendaciones en Netflix o Spotify.
Personalizar anuncios en redes sociales.
Todo esto es útil, pero no revoluciona industrias enteras. La llegada de la IA Generativa y los famosos agentes seguramente nos estén acercando a la segunda fase propuesta por los autores, pero a día de hoy solo somos capaces de rascar la superficie de lo que esta revolución podrá llegar a ser.
Lo interesante ocurre cuando pasamos a la segunda y tercera etapa. Por ejemplo, en la educación para emprendedores, se aplicó IA para personalizar los programas de formación y aumentaron los ingresos de los negocios en un 6.6%. No solo optimizamos un proceso; rediseñamos la manera en que se aprende.
Lo mismo sucede en la moda con empresas como Stitch Fix, que usa IA para personalizar estilos, combinando datos y el criterio humano. . O en salud, donde el potencial de la IA no es solo diagnosticar enfermedades, sino proponer nuevos enfoque a cómo se forma a los médicos, cómo se manejan los hospitales y cómo se pagan los tratamientos.
Pero déjame que profundicemos un poco más en el ejemplo de Stitch Fix.
Qué pasaría si al abrir tu correo electrónico por la mañana te encuentras una recomendación de ropa que parece hecha a la medida para ti. No solo acierta con tu estilo, sino que también combina perfectamente con lo que ya tienes en tu armario. ¿Magia? No. Inteligencia Artificial.
Desde sus inicios, Stitch Fix ha sido una empresa impulsada por datos. Sus algoritmos han analizado millones de combinaciones de ropa para hacer recomendaciones a sus clientes. Pero el verdadero salto tecnológico vino con la IA generativa.
Pensemos en cifras, de dónde vienen y cuántos datos hacen falta para lograr el milagro:
4.5 mil millones de datos de texto libre recopilados de clientes.
Modelos avanzados de OpenAI combinados con algoritmos propios.
Una sinergia entre máquinas y humanos para lograr la mejor experiencia de estilismo.
Pero ¿cómo se traduce esto en mejores recomendaciones?
Cada vez que un cliente usa Stitch Fix, la IA hace un trabajo previo. Primero filtra miles de opciones basándose en el estilo y las preferencias previas del usuario. A continuación, aquí llega el man in the loop, un estilista humano revisa y selecciona las mejores piezas, asegurando un ajuste más personalizado.
Así, la IA hace el trabajo pesado, pero la creatividad humana perfecciona la experiencia. Esto permite a los estilistas centrarse en detalles más subjetivos: el “toque final” que solo un ojo experto puede dar.
Pero Stitch Fix no solo usa la IA para mejorar las recomendaciones de ropa. También automatiza la creación de contenido.
10,000 descripciones de productos en solo 30 minutos.
Un 77% de aprobación después de la revisión humana.
Cada descripción toma apenas un minuto de supervisión.
Esto significa que la empresa puede actualizar su catálogo a velocidades impensables para un equipo humano solo.
Además, Stitch Fix ha perfeccionado la composición automática de los outfits de sus clientes.
Cada día, su IA crea millones de combinaciones de outfits, basándose en:
El inventario disponible.
El historial de compras del usuario.
Tendencias actuales.
Los resultados aparecen en emails, anuncios y feeds de compra. Es como tener un estilista personal 24/7, ajustando sus recomendaciones en tiempo real.
Como puedes ver Stitch Fix ha logrado un equilibrio brillante: automatización sin perder el toque humano. La IA se encarga de las tareas repetitivas y sus estilistas aportan creatividad y conexión.
Este modelo no solo optimiza recursos, sino que también mejora la experiencia del cliente. Y nos deja una gran lección: en el futuro de los negocios, la clave no es reemplazar a los humanos, sino potenciarlos con tecnología.
Si te gusta lo que estas leyendo, no olvides que también tienes disponible el podcast de Innovation by Default 💡. Suscríbete aquí 👇
Para usar bien la tecnología, entender cómo funciona, es clave. Vayamos algo más abajo, profundicemos en este tema. Cómo la IA nos ayuda en la creación de previsiones. Hemos de entender la IA como una herramienta, la IA no toma decisiones, hace predicciones. Y esas predicciones afectan todo.
Antes, las reglas dictaban nuestras acciones. Por ejemplo, en la pandemia, aplicamos reglas generales como cuarentenas porque no sabíamos quién estaba enfermo. Según los autores, gracias a la IA, podríamos haber tomado decisiones basadas en datos en tiempo real, minimizando los costos económicos y sociales.
Lo mismo ocurre en la agricultura. Con IA, podemos predecir el clima, las plagas y el rendimiento de los cultivos con precisión, haciendo que el proceso sea más eficiente. Pero, ¿qué significa esto para los agricultores? ¿Cómo cambia su papel en la cadena de producción?
Aquí entra el gran reto: cuando la IA empieza a reemplazar reglas con decisiones dinámicas, debemos rediseñar los sistemas que dependen de esas reglas.
Así que volvamos a la pregunta original: ¿en qué etapa estamos con la inteligencia artificial?
Si solo la usamos para mejorar tareas específicas, estamos en la fase de reemplazo de vapor por electricidad. Si encontramos nuevas aplicaciones, estamos en la fase de motores eléctricos para ascensores.
Pero si rediseñamos industrias enteras, hemos llegado al momento de la línea de ensamblaje de Henry Ford. En mi opinión, creo que estamos aún un poco lejos de este momento.
La IA no va solo de automatizar tareas. Se trata de dar otro enfoque a cómo tomamos decisiones y cómo diseñamos los sistemas a su alrededor.
Estamos en los “Between Times”, el punto medio entre el descubrimiento y la revolución. Ese momento liminal, donde las cosas ocurren de manera imparable. Aquí la pregunta más difícil de responder es: ¿quiénes serán los Henry Ford de la IA?
Gracias por acompañarme en un nuevo Diario de Innovación, ¡y te espero mañana en Innovation by Default 💡!