La inteligencia artificial (AI, por sus siglas en ingl\u00e9s), entendida como \u201cla ciencia y el conjunto de tecnolog\u00edas computacionales que se inspiran en -pero t\u00edpicamente operan de manera muy diferente a- las maneras en que las personas usan sus sistemas nerviosos y cuerpos para percibir, aprender, razonar y actuar\u201d (AI100 Standing Committee, 2016), se divide t\u00edpicamente en dos: AI generativa y AI predictiva. <\/p>\n\n\n\n
Tanto AI generativa como AI predictiva tienen aplicaciones relevantes en los entornos empresariales. AI generativa produce contenido propio (texto, im\u00e1genes, audio, c\u00f3digo computacional, etc.) en respuesta a comandos usualmente indicados por humanos, para lo cual se basa en modelos ling\u00fc\u00edsticos 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.<\/p>\n\n\n\n
AI predictiva se apoya usualmente en series de tiempo no solo para anticipar el futuro, sino tambi\u00e9n 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 tambi\u00e9n 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<\/a> (Polydata, 2024) predice precios de departamentos nuevos en el presente, mas no en el futuro, y lo hace a partir de su ubicaci\u00f3n, n\u00famero de rec\u00e1maras y ba\u00f1os, metros, etc.<\/p>\n\n\n\n Ahora, AI generativa y AI predictiva dan lugar a herramientas que las combinan, as\u00ed que no son tipos excluyentes. Como ejemplo ic\u00f3nico de ello, recientemente se anunci\u00f3 el otorgamiento del Premio Nobel de Qu\u00edmica a dos cient\u00edficos AI, Demis Hassabis y John Jumper, respectivamente CEO e investigador del laboratorio AI de Google, Deep Mind. <\/p>\n\n\n\n El m\u00e1ximo galard\u00f3n en el mundo de la qu\u00edmica lo recibieron por desarrollar un software denominado AlphaFold, que a partir de AI generativa predice<\/em> la estructura de 200 millones de prote\u00ednas. Tal predicci\u00f3n estructural tomaba antes d\u00e9cadas de trabajo humano, mientras que ahora se puede hacer en minutos. La predicci\u00f3n estructural de prote\u00ednas es clave para entender la evoluci\u00f3n y los posibles cursos de tratamiento de distintas enfermedades. Como es claro, tambi\u00e9n aqu\u00ed estamos ante una predicci\u00f3n que no es del futuro, sino del presente de una prote\u00edna.<\/p>\n\n\n\n (Por cierto, el anuncio del Premio Nobel de Qu\u00edmica se dio poco despu\u00e9s de que se anunciara el Premio Nobel de F\u00edsica para dos figuras tutelares de la inteligencia artificial, Geoffrey Hinton y John Hopfield, es decir, \u00a1cuatro Nobeles para cient\u00edficos que se apoyan en AI en un solo a\u00f1o!) (Petersen, 2024). <\/p>\n\n\n\n De vuelta a los contextos de negocios, la mayor\u00eda de los usos de AI predictiva tienen que ver con anticipar el futuro, m\u00e1s que el presente o el pasado. Las tecnolog\u00edas que ofrecen dicha anticipaci\u00f3n se focalizan en \u00e1reas variadas. A continuaci\u00f3n, referiremos aplicaciones concretas de predicciones en cinco dimensiones clave de las empresas: planeaci\u00f3n, comercial, operaciones, finanzas y mercadotecnia.<\/p>\n\n\n\n En cualquier empresa, anticipar demanda es de alto retorno de inversi\u00f3n mediante cuando menos cuatro canales: a) consolidaci\u00f3n de compras de insumos, b) optimizaci\u00f3n de inventario, c) reducci\u00f3n de capital de trabajo y gastos asociados a sobreinventario o sobrecapacidad y d) decremento de venta negada debida a falta de producto. Adem\u00e1s, en el caso de alimentos, bebidas y otros perecederos, una mejor estimaci\u00f3n de la demanda permite reducir la devoluci\u00f3n o la merma.<\/p>\n\n\n\n En prospecci\u00f3n, AI tiene la capacidad de predecir la probabilidad de compra de una persona considerando sus caracter\u00edsticas demogr\u00e1ficas, econ\u00f3micas, culturales, etc. En procesos largos de compra-venta, dicha predicci\u00f3n puede plantearse para cada una de las fases (e.g., X persona o empresa tiene Y probabilidad de pedir una cotizaci\u00f3n y Z probabilidad de aceptarla). Tambi\u00e9n es \u00fatil para, por ejemplo, predecir el que un cliente deje de comprarle a tal o cual empresa proveedora.<\/p>\n\n\n\n En portafolio, AI puede auxiliar a establecer cu\u00e1l es el producto o los productos id\u00f3neos por cliente, tanto en modelos B2B como B2C; de nueva cuenta lo hace a partir de datos hist\u00f3ricos. Con m\u00e9todos parecidos puede establecer probabilidades de que cierto producto deje de tener atractivo en el mercado, permitiendo tomar decisiones preventivas al respecto. M\u00e1s a\u00fan, mediante predicciones se puede hacer el \u201cmatch\u201d id\u00f3neo entre un cliente con determinadas caracter\u00edsticas y restricciones presupuestarias con cierto producto concreto. En contextos donde el cliente suele comprar m\u00e1s de un producto, AI es capaz de ofrecer la lista completa de los productos que debe comprar, incluyendo tanto productos de recompra (bas\u00e1ndose en el historial del cliente) como productos que nunca ha comprado (apoy\u00e1ndose en su similitud con otros clientes). <\/p>\n\n\n\n Finalmente, en materia de promotor\u00eda en punto de venta, en su car\u00e1cter de optimizador eficiente, AI puede asignar la combinaci\u00f3n \u00f3ptima de personas, horas y lugares para que la promotor\u00eda maximice el desempe\u00f1o comercial. As\u00ed, empresas que destinen los mismos recursos y materiales que antes para efectos de promotor\u00eda, pueden obtener retornos de inversi\u00f3n m\u00e1s atractivos.<\/p>\n\n\n\n Tambi\u00e9n se recurre a AI predictiva para perfilar la demanda de marcas y productos y, a partir de ello, definir estrategias de expansi\u00f3n. Lo que ocurre es que los modelos AI aprenden los contextos econ\u00f3micos, demogr\u00e1ficos, industriales, comerciales etc. que impactan m\u00e1s en el \u00e9xito de una empresa, sea esta B2B o B2C. Con base en ello, el modelo predice c\u00f3mo le ir\u00eda a la empresa si colocara un punto de venta en tal o cual zona, colonia, AGEB, etc. Asimismo, estos modelos son capaces de especificar qu\u00e9 caracteriza a los perfiles de consumidores de un determinado producto o marca, as\u00ed como los cl\u00fasteres en que estos se dividen \u00f3ptimamente (con aprendizaje de m\u00e1quina no supervisado).<\/p>\n\n\n\n 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 funci\u00f3n de cu\u00e1nto se espera vender al cliente (sea consumidor final o cliente o distribuidor intermedio). A partir de una predicci\u00f3n de demanda precisa se hace una ingenier\u00eda en reversa para el resto de las predicciones (e.g., dado que me comprar\u00e1n 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.). <\/p>\n\n\n\n El punto de reorden de sucursal o Cedis se vuelve crucial para la producci\u00f3n industrial y para la compra de insumos, aspectos tambi\u00e9n 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 categor\u00eda de productos en anaquel con objeto de maximizar la venta y\/o la rentabilidad.<\/p>\n\n\n\n En materia de log\u00edstica, todo un conjunto de modelos de AI se enfocan en hacer m\u00e1s eficiente el funcionamiento de almacenes. Lo anterior incluye cu\u00e1nto es el \u00f3ptimo de producto a tener en el almac\u00e9n; d\u00f3nde colocar cada producto, caja o tarima; c\u00f3mo organizar por zonas un almac\u00e9n para reducir lo m\u00e1s posible \u201ctoques\u201d y desplazamientos; y de qu\u00e9 modo anticipar cargas de trabajo. <\/p>\n\n\n\n Adem\u00e1s, AI se vuelve crucial en la operaci\u00f3n de aspectos financieros allende el precio, entre ellos cr\u00e9dito y cobranza. Modelos AI pueden anticipar probabilidades de impago (llegando no solo a nivel cliente, sino a nivel factura) o l\u00edneas de cr\u00e9dito \u00f3ptimas. Como se sabe, la autorizaci\u00f3n de l\u00edneas de cr\u00e9dito suele ser un foco de tensi\u00f3n entre \u00e1reas comerciales y financieras, con aquellas pidiendo m\u00e1s cr\u00e9dito para sus clientes para incrementar las ventas y estas neg\u00e1ndose a incurrir en mayor riesgo. La salida la puede ofrecer un modelo AI que pondere cuestiones tanto comerciales como financieras, adem\u00e1s de crediticias, para incrementar (o decrementar) l\u00edneas de cr\u00e9dito. En cuanto al impago, es bien sabido que atenderlo antes de que ocurra resulta considerablemente m\u00e1s econ\u00f3mico y con mayor probabilidad de \u00e9xito que una vez ocurrido. <\/p>\n\n\n\n Por un lado, la debilidad del criterio intuitivo no requiere mayor argumentaci\u00f3n, sino simplemente referir a lo mucho que se ha escrito sobre los fracasos de la intuici\u00f3n, entre ello la contribuci\u00f3n del Premio Nobel de Econom\u00eda Daniel Kahneman (2011). Por otro lado, la evidencia cualitativa, cuando es procesada de forma laxa (lo cual de ninguna manera es una caracter\u00edstica sine qua non de todo trabajo cualitativo), resulta poco orientadora para tomar decisiones macro sobre inversi\u00f3n.<\/p>\n\n\n\n Uno de los campos espec\u00edficos de la mercadotecnia en el cual ha impactado AI predictiva son los Marketing Mix Models y su versi\u00f3n menos abarcadora concentrada exclusivamente en medios de comunicaci\u00f3n, los Media Mix Models. Lo que hacen estos modelos es aprender del impacto hist\u00f3rico de las diferentes inversiones en mercadotecnia (espectaculares, pauta digital, spots en radio, spots en televisi\u00f3n, etc.), no solo en general sino por lugar (regi\u00f3n, estado, municipio, etc.) y tiempo de inversi\u00f3n (mes, semana, a\u00f1o, hora, etc.). Con base en ello, los MMM AI recomiendan la distribuci\u00f3n \u00f3ptima de recursos por canal de mercadotecnia, lugar y tiempo; incluso en algunos casos se puede llegar a especificar la l\u00ednea de producto que resulta \u00f3ptimo anunciar en cada acci\u00f3n espec\u00edfica. <\/p>\n\n\n\n En suma, AI est\u00e1 revolucionando el mundo, incluyendo los negocios. La combinaci\u00f3n que hace entre ciencia, con el nivel suficiente como para que investigadores de su campo reciban Premios Nobel, y tecnolog\u00eda, le da un impacto no solo preciso y riguroso, sino tambi\u00e9n profundo y duradero. Las empresas pueden empezar su revoluci\u00f3n AI interna por cualquiera de los cinco rubros citados, acaso priorizando aquel con mayor retorno de inversi\u00f3n. La pregunta no puede ser AI predictiva s\u00ed o no; debe ser d\u00f3nde, cu\u00e1ndo y c\u00f3mo. <\/p>\n\n\n\n Referencias<\/strong><\/p>\n\n\n\n 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<\/a><\/p>\n\n\n\n Kahneman, D. (2011). Thinking, fast and slow<\/em>. Farrar, Straus and Giroux.<\/p>\n\n\n\n Kahneman, D., Sibony, O., & Sunstein, C. R. (2021). Noise: A flaw in human judgment<\/em>. Little, Brown Spark.<\/p>\n\n\n\n Petersen, G. (2024, 15 de octubre). Nobel AI. Mural<\/em>. https:\/\/www.mural.com<\/a><\/p>\n\n\n\n\n
\n
\n
\n
\n