La inteligencia artificial (AI, por sus siglas en inglés), entendida como “la ciencia y el conjunto de tecnologías computacionales que se inspiran en -pero típicamente operan de manera muy diferente a- las maneras en que las personas usan sus sistemas nerviosos y cuerpos para percibir, aprender, razonar y actuar” (AI100 Standing Committee, 2016), se divide típicamente en dos: AI generativa y AI predictiva.
Tanto AI generativa como AI predictiva tienen aplicaciones relevantes en los entornos empresariales. AI generativa produce contenido propio (texto, imágenes, audio, código computacional, etc.) en respuesta a comandos usualmente indicados por humanos, para lo cual se basa en modelos lingüísticos que le permiten transformar un input en un output. Dicho tipo de AI se encuentra a la base de herramientas como ChatGPT, Claude, Gemini y otras, hoy por hoy masivamente utilizadas en el mundo de los negocios.
AI predictiva se apoya usualmente en series de tiempo no solo para anticipar el futuro, sino también para predecir el presente o el pasado (Siegel, 2024). En efecto, el ejercicio de predecir, entendido como estimar un dato faltante a partir de un conjunto de datos existentes, suele enfocarse en datos futuros, pero el dato faltante también puede estar en el pasado o en el presente (Kahneman, Sibony y Sunstein, 2021). Por ejemplo, en lo que se refiere al sector inmobiliario, la plataforma www.raizai.mx (Polydata, 2024) predice precios de departamentos nuevos en el presente, mas no en el futuro, y lo hace a partir de su ubicación, número de recámaras y baños, metros, etc.
Ahora, AI generativa y AI predictiva dan lugar a herramientas que las combinan, así que no son tipos excluyentes. Como ejemplo icónico de ello, recientemente se anunció el otorgamiento del Premio Nobel de Química a dos científicos AI, Demis Hassabis y John Jumper, respectivamente CEO e investigador del laboratorio AI de Google, Deep Mind.
El máximo galardón en el mundo de la química lo recibieron por desarrollar un software denominado AlphaFold, que a partir de AI generativa predice la estructura de 200 millones de proteínas. Tal predicción estructural tomaba antes décadas de trabajo humano, mientras que ahora se puede hacer en minutos. La predicción estructural de proteínas es clave para entender la evolución y los posibles cursos de tratamiento de distintas enfermedades. Como es claro, también aquí estamos ante una predicción que no es del futuro, sino del presente de una proteína.
(Por cierto, el anuncio del Premio Nobel de Química se dio poco después de que se anunciara el Premio Nobel de Física para dos figuras tutelares de la inteligencia artificial, Geoffrey Hinton y John Hopfield, es decir, ¡cuatro Nobeles para científicos que se apoyan en AI en un solo año!) (Petersen, 2024).
De vuelta a los contextos de negocios, la mayoría de los usos de AI predictiva tienen que ver con anticipar el futuro, más que el presente o el pasado. Las tecnologías que ofrecen dicha anticipación se focalizan en áreas variadas. A continuación, referiremos aplicaciones concretas de predicciones en cinco dimensiones clave de las empresas: planeación, comercial, operaciones, finanzas y mercadotecnia.
- Planeación. Un área para la cual es particularmente útil la predicción es, sin duda, la planeación. AI permite aproximar, por citar un caso, la demanda por SKU desde para los siguientes minutos (literalmente) como para los siguientes años, desagregable por hora, día, semana, mes, etc. Lo anterior es relevante tanto para empresas con modelos de negocio B2C como para B2B, así como para otras con modelos híbridos, como por ejemplo B2B2C. Los modelos predictivos de demanda tienen la flexibilidad de expresarse tanto en montos económicos (relevantes para áreas financieras y comerciales) como en SKUs (sobre todo útiles para cadena de suministro).
En cualquier empresa, anticipar demanda es de alto retorno de inversión mediante cuando menos cuatro canales: a) consolidación de compras de insumos, b) optimización de inventario, c) reducción de capital de trabajo y gastos asociados a sobreinventario o sobrecapacidad y d) decremento de venta negada debida a falta de producto. Además, en el caso de alimentos, bebidas y otros perecederos, una mejor estimación de la demanda permite reducir la devolución o la merma.
- Comercial. En direcciones comerciales, AI predictiva puede conducir al incremento sensible de las ventas. La modalidad específica en la cual lo hace varía de industria a industria, pero son tres las fases en las cuales tiene impactos potenciales: a) prospección, b) portafolio y c) promotoría.
En prospección, AI tiene la capacidad de predecir la probabilidad de compra de una persona considerando sus características demográficas, económicas, culturales, etc. En procesos largos de compra-venta, dicha predicción puede plantearse para cada una de las fases (e.g., X persona o empresa tiene Y probabilidad de pedir una cotización y Z probabilidad de aceptarla). También es útil para, por ejemplo, predecir el que un cliente deje de comprarle a tal o cual empresa proveedora.
En portafolio, AI puede auxiliar a establecer cuál es el producto o los productos idóneos por cliente, tanto en modelos B2B como B2C; de nueva cuenta lo hace a partir de datos históricos. Con métodos parecidos puede establecer probabilidades de que cierto producto deje de tener atractivo en el mercado, permitiendo tomar decisiones preventivas al respecto. Más aún, mediante predicciones se puede hacer el “match” idóneo entre un cliente con determinadas características y restricciones presupuestarias con cierto producto concreto. En contextos donde el cliente suele comprar más de un producto, AI es capaz de ofrecer la lista completa de los productos que debe comprar, incluyendo tanto productos de recompra (basándose en el historial del cliente) como productos que nunca ha comprado (apoyándose en su similitud con otros clientes).
Finalmente, en materia de promotoría en punto de venta, en su carácter de optimizador eficiente, AI puede asignar la combinación óptima de personas, horas y lugares para que la promotoría maximice el desempeño comercial. Así, empresas que destinen los mismos recursos y materiales que antes para efectos de promotoría, pueden obtener retornos de inversión más atractivos.
También se recurre a AI predictiva para perfilar la demanda de marcas y productos y, a partir de ello, definir estrategias de expansión. Lo que ocurre es que los modelos AI aprenden los contextos económicos, demográficos, industriales, comerciales etc. que impactan más en el éxito de una empresa, sea esta B2B o B2C. Con base en ello, el modelo predice cómo le iría a la empresa si colocara un punto de venta en tal o cual zona, colonia, AGEB, etc. Asimismo, estos modelos son capaces de especificar qué caracteriza a los perfiles de consumidores de un determinado producto o marca, así como los clústeres en que estos se dividen óptimamente (con aprendizaje de máquina no supervisado).
- Operaciones. Una vez que se tiene una predicción de demanda, subsiste el reto de dónde almacenar el producto; cuánto de este hacer llegar a cada centro de distribución (Cedis), sea este propio o del cliente; cuánto hacer llegar a cada punto de venta; cuándo hacerlo llegar; y, en algunos casos, cuántos insumos comprar para revender (comercialización de productos de reventa) o para transformar y vender (empresas con componente industrial).
Para todo lo anterior se recurre a modelos de AI predictiva. Dichos modelos tienen su punto de partida en la demanda. Al final, todas las decisiones de cadena de suministro deben estar en función de cuánto se espera vender al cliente (sea consumidor final o cliente o distribuidor intermedio). A partir de una predicción de demanda precisa se hace una ingeniería en reversa para el resto de las predicciones (e.g., dado que me comprarán X, hay tener Y en mi punto de venta; dado que debo tener X en el punto de venta, hay que tener Y en el Cedis del cliente y/o en mi propio Cedis, etc.).
El punto de reorden de sucursal o Cedis se vuelve crucial para la producción industrial y para la compra de insumos, aspectos también sujetos a optimizaciones AI. En el caso de las sucursales, AI es capaz incluso de determinar el porcentaje de espacio que debe destinarse a cada categoría de productos en anaquel con objeto de maximizar la venta y/o la rentabilidad.
En materia de logística, todo un conjunto de modelos de AI se enfocan en hacer más eficiente el funcionamiento de almacenes. Lo anterior incluye cuánto es el óptimo de producto a tener en el almacén; dónde colocar cada producto, caja o tarima; cómo organizar por zonas un almacén para reducir lo más posible “toques” y desplazamientos; y de qué modo anticipar cargas de trabajo.
- Finanzas. AI predictiva hace una contribución de relevancia a una de las tareas fundamentales de cualquier empresa: la fijación del precio. A partir de entender la relación entre oferta, demanda y precio con niveles de sofisticación y detalle que resultan imposibles para una mente humana, los modelos sugieren precios óptimos que maximicen ingresos, rentabilidad u otra métrica. Dicho enfoque está a la base de modelos de negocio con precio dinámico, como Uber, aerolíneas, hoteles, espectáculos, deportes, entre otros -cada vez más frecuentes por cierto.
Además, AI se vuelve crucial en la operación de aspectos financieros allende el precio, entre ellos crédito y cobranza. Modelos AI pueden anticipar probabilidades de impago (llegando no solo a nivel cliente, sino a nivel factura) o líneas de crédito óptimas. Como se sabe, la autorización de líneas de crédito suele ser un foco de tensión entre áreas comerciales y financieras, con aquellas pidiendo más crédito para sus clientes para incrementar las ventas y estas negándose a incurrir en mayor riesgo. La salida la puede ofrecer un modelo AI que pondere cuestiones tanto comerciales como financieras, además de crediticias, para incrementar (o decrementar) líneas de crédito. En cuanto al impago, es bien sabido que atenderlo antes de que ocurra resulta considerablemente más económico y con mayor probabilidad de éxito que una vez ocurrido.
- Mercadotecnia. Hasta antes de la revolución AI en curso, las decisiones de inversión en mercadotecnia se hacían apoyadas fundamentalmente en dos criterios: a) intuición de que lo que funcionaba y lo que no (e.g., los espectaculares no funcionan; la pauta en redes sí funciona) o, en el mejor de los casos, b) evidencia cualitativa, típicamente poco sistematizada, recogida en grupos de enfoque, encuestas, entrevistas, etc.
Por un lado, la debilidad del criterio intuitivo no requiere mayor argumentación, sino simplemente referir a lo mucho que se ha escrito sobre los fracasos de la intuición, entre ello la contribución del Premio Nobel de Economía Daniel Kahneman (2011). Por otro lado, la evidencia cualitativa, cuando es procesada de forma laxa (lo cual de ninguna manera es una característica sine qua non de todo trabajo cualitativo), resulta poco orientadora para tomar decisiones macro sobre inversión.
Uno de los campos específicos de la mercadotecnia en el cual ha impactado AI predictiva son los Marketing Mix Models y su versión menos abarcadora concentrada exclusivamente en medios de comunicación, los Media Mix Models. Lo que hacen estos modelos es aprender del impacto histórico de las diferentes inversiones en mercadotecnia (espectaculares, pauta digital, spots en radio, spots en televisión, etc.), no solo en general sino por lugar (región, estado, municipio, etc.) y tiempo de inversión (mes, semana, año, hora, etc.). Con base en ello, los MMM AI recomiendan la distribución óptima de recursos por canal de mercadotecnia, lugar y tiempo; incluso en algunos casos se puede llegar a especificar la línea de producto que resulta óptimo anunciar en cada acción específica.
En suma, AI está revolucionando el mundo, incluyendo los negocios. La combinación que hace entre ciencia, con el nivel suficiente como para que investigadores de su campo reciban Premios Nobel, y tecnología, le da un impacto no solo preciso y riguroso, sino también profundo y duradero. Las empresas pueden empezar su revolución AI interna por cualquiera de los cinco rubros citados, acaso priorizando aquel con mayor retorno de inversión. La pregunta no puede ser AI predictiva sí o no; debe ser dónde, cuándo y cómo.
Referencias
AI100 Standing Committee. (2016). Artificial Intelligence and Life in 2030: One Hundred Year Study on Artificial Intelligence (AI100) 2016 report. Stanford University. https://ai100.stanford.edu/sites/default/files/ai_100_report_0831fnl.pdf
Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
Kahneman, D., Sibony, O., & Sunstein, C. R. (2021). Noise: A flaw in human judgment. Little, Brown Spark.
Petersen, G. (2024, 15 de octubre). Nobel AI. Mural. https://www.mural.com
Polydata. (2024). rAIz: Real Estate AI. https://www.raizai.mx
Siegel, E. (2024). The AI Playbook: Mastering the Rare Art of Machine Learning Deployment. MIT Press.o rubros citados, acaso priorizando aquel con mayor retorno de inversión. La pregunta no puede ser AI predictiva sí o no; debe ser dónde, cuándo y cómo.
