Entrevista a Kuang Xu (Stanford)

Como profesor asociado titular de Operaciones y Tecnología en la Stanford Graduate School of Business, el profesor Kuang Xu es un firme defensor del poder transformador de la inteligencia artificial (IA) en los negocios. En esta entrevista explica por qué considera que las compañías deberían adoptar la automatización y la toma de decisiones basada en datos como medios para alcanzar el máximo potencial de la IA.

• Su investigación en Stanford pone el foco en la toma de decisiones en momentos de incertidumbre. ¿Dónde recomendaría invertir a las organizaciones antes de la próxima década?

  Todo el mundo piensa en la IA generativa como chatbots para atención al cliente y herramientas similares, pero esta aún no ha demostrado su potencial comercial. Todavía estamos en la fase de evaluar el valor empresarial de este tipo de agentes de inteligencia artificial. Así que haré algunas observaciones sobre los tipos de tecnología que sabemos que aportan valor hoy.

  El machine learning y la IA llaman mucho la atención y podríamos pensar en ellos como si fueran dos piezas. La primera obtiene información y genera predicciones preguntándose cuestiones como, ¿qué es el mundo? La segunda es la que denomino optimización y toma de decisiones, es decir: Ya que el mundo es así, ¿cómo debería actuar yo? El machine learning es más intuitivo y fácil de entender, mientras que la IA es más compleja y menos interpretable. Sin embargo, es un elemento clave. Saber “qué es el mundo” es importante, pero lo que aporta valor es actuar en consecuencia.

• Entonces, ¿deberían los negocios destinar fondos a ambas tecnologías?

  Una gran parte de las compañías continuará beneficiándose de lo que no es ningún misterio: invertir en optimizar los procesos logísticos y la cadena de suministro mediante el uso de datos. Para lograrlo deben tenerse en cuenta aspectos centrales como la gestión de rutas, dónde se almacenan las mercaderías y la ubicación de las instalaciones. También hay que retirar información, hacer predicciones y utilizarlas en un motor de optimización para cambiar las asignaciones, los recorridos o la red logística. En definitiva, desarrollar modelos de optimización basados en inteligencia artificial y datos de calidad.

  Hay otro aspecto del que se habla menos, pero supone el “pegamento” de las cadenas de suministro en lo relativo a IA y machine learning. Cuando la logística y la supply chain las diseñan humanos, son ellos quienes las mantienen unidas. Por ejemplo, cuando se hace un envío o se transfiere un archivo de datos y se produce un error o ambigüedad, nos ponemos en contacto entre nosotros para resolver el problema. Puede suponer algún costo y algún que otro roce, pero no pensamos que esa habilidad sea una capacidad especial. Sin embargo, lo que sucede ahora es que a menudo se aísla una tarea para que una máquina la mejore de alguna manera. En la mayoría de las ocasiones, seguramente podrá decirte a dónde enviar los camiones o qué estantería conviene reorganizar. Eso sí, cuando este sistema se averíe, necesitarás un backup que, habitualmente, involucra la intervención de personas. Estas tecnologías acaparan titulares como “El 95% de las veces las máquinas superan a los humanos en X”. Pero resulta que integrar ese 95% con el 5% en el que no pueden superarlos es bastante complicado. Entonces, ¿por qué insisto tanto en esto? Porque este “pegamento”, es decir, los humanos, son esenciales.

  El potencial de la IA para optimizar procesos físicos como la logística de la cadena de suministro es cada vez más evidente

• ¿Por qué es tan relevante esta integración?

  Podrías pensar que el sistema es capaz de funcionar sin este “pegamento”, pero la verdad es que no. Prescindir de él no quiere decir que vayas a obtener el 80% del 95%: significa que, por lo general, no conseguirás nada. Solo impide que las personas hagan funcionar las cosas. De hecho, en la clase que estamos impartiendo en la GSB, estudiamos casos reales de compañías logísticas y del sector de la salud que emplean machine learning e IA. Y un tema muy recurrente es que, a menudo, el secreto del éxito no es tener un mejor algoritmo de machine learning. Los ganadores suelen ser los que ponen foco en el “pegamento”. ¿Por qué? Porque son buenos en el desarrollo de tecnología e invierten en diseño de producto para hacer que la integración sea mejor que la de sus competidores. Así que mi consejo es invertir en la integración de la IA. Aunque no es un tema del que se hable demasiado, es fundamental.

• Asesora a compañías y fondos de inversión sobre cómo desarrollar capacidades de IA y ciencia de datos. ¿Cuáles son sus principales recomendaciones?

  Los consejos dependen de cada caso, pero si tuviera que destacar un solo aspecto diría que, a menudo, a los negocios les falta definir el valor del producto que ofrecen antes de dar el salto tecnológico. No fallan tanto en selecionar la técnica de machine learning más adecuada sino en que no se plantean: “Si tuviera esta tecnología, ¿cuánto valor aportaría realmente?” Y con esto no me refiero a valor en el sentido abstracto, al branding o a la cultura de la compañía. Hablo de algo más específico: ¿Eres capaz de concretar una métrica que refleje la precisión y el rendimiento estadístico de tu tecnología? Si es así, ¿te supone esto un ahorro?

  Aunque parezca mentira, esta reflexión no es un ejercicio que muchas personas lleven a cabo. Lo más frecuente es que crean que la tecnología les va a aportar algún tipo de capacidad especial y simplemente la adopten sin estar seguros de que será un éxito. A lo mejor dan por sentado que sustituirá toda una línea de productos o mejorará drásticamente la productividad, pero nunca tienen del todo claro si estas expectativas son factibles. Por lo tanto, ahí surge el problema, realizar inversiones sin beneficios tangibles. Creo que definir el valor del producto con alguien —con tu equipo—, que entienda el alcance de la tecnología y el potencial del machine learning en una fase temprana es crucial para el negocio.

• 

  ¿Están las organizaciones implementado la inteligencia artificial por temor a quedarse atrás?

  Sí, es algo que está ocurriendo. A mí me gusta verlo de la siguiente forma: la toma de decisiones basada en datos es una ciencia exacta, pero también emoción y psicología. Con esto no quiero decir que es algo que deba evitarse; al contrario, debería ser adoptada. Pero hay que saber si se está haciendo desde el miedo. Veo mucha presión por parte de accionistas, grupos de interés y consejos de administración para que se demuestre que se está invirtiendo en IA de forma proactiva, por lo que ese miedo no está del todo injustificado.

  Creo que se producirán cambios sustanciales en la industria no solo por una IA potencialmente revolucionaria, sino también por el crecimiento sostenido de la IA y el aprendizaje automático en la última década. Así que sí, pienso que las compañías tienen que estar asustadas en el sentido de que, si no se exponen nada a esta tendencia, podrían quedarse atrás. No obstante, creo que hay que aceptar ese temor, informarse de lo que está pasando y preguntarse, a corto plazo, qué valor podrás extraer de todo ello. También veo multitud de negocios dando el salto e invirtiendo cantidades ingentes en IA generativa, en la incorporación de nuevos líderes… La gente bromea con que, hoy en día, el mejor trabajo es el de director de inteligencia artificial en una empresa convencional. Pero conviene tener mucho cuidado con esto. Un mejor enfoque sería el de asumir ese miedo, ya que esto es real y está pasando. Pero conocer el lugar exacto en el que debe producirse el cambio en cada organización no es tan sencillo. No todo el mundo va a beneficiarse de un chatbot automatizado. Por tanto, la clave es pensar en el valor. Eso sí te puede guiar mejor.

• ¿Cuáles son los negocios que realmente deberían implantar la IA?

  Excelente pregunta. Si te dedicas a la logística y las operaciones en tu compañía ya están automatizadas o pueden robotizarse con telemetría ─feedback y mediciones─ entonces no hay duda de que deberías plantearte integrar la IA. Muchas organizaciones ya utilizan robots industriales y soluciones logísticas y de almacenamiento como las que fabrica Mecalux. La razón es que la automatización actúa como puerta de entrada. Sin ese feedback, estas técnicas innovadoras no tendrían un escenario de pruebas.

  De todos modos, una vez que las puertas ya estén abiertas, la competencia aumentará porque, tarde o temprano, otros automatizarán mejor, así que es un factor muy relevante a considerar. Siempre que el mundo físico se conecte con internet y las bases de datos, la IA entrará en acción. Aunque los orígenes de la IA provienen de la manipulación de información digital, su potencial para optimizar procesos físicos como cadenas de suministro y el transporte es cada vez más evidente. DoorDash, Uber y Lyft fueron la primera ola. Centralizaron sus conductores en una app ganando cierto control sobre la optimización del mundo físico. Si llevamos esa analogía un poco más lejos cabría preguntarse: ¿Qué más ha sido integrado ya o puede integrarse en el futuro? La automatización y la integración en la red son ámbitos primordiales en los que la IA está llamada a dar pasos de gigante.

• ¿Qué otros campos son prometedores para la IA?

  Lo segundo que enfatizaría es: ¿En qué grado depende tu actividad de la información? Supongamos que esta indicara un patrón de demanda distinto, otra estructura de costos o un flujo diferente de la cadena de suministro. ¿Cambiarían esos datos drásticamente las decisiones en tu negocio? Pongamos un ejemplo del sector inmobiliario, donde los cambios se producen a largo plazo. Compras un edificio y lo pones en alquiler. Si de repente el número de habitantes de la ciudad fluctúa, no por ello venderías el inmueble inmediatamente. Incluso aunque la posibilidad de utilizar la IA exista y pueda ser de ayuda, tus decisiones no son tan sensibles a las novedades, así que puedes tomarte un tiempo para analizar un escenario. Por lo contrario, si hablamos de un proyecto en el cual las operativas diarias dependen de forma crucial de los datos disponibles en cada momento, la IA puede provocar un gran impacto. La gestión de las entregas de pedidos en tiempo real es un gran ejemplo de por qué es necesario reaccionar con rapidez a los cambios en el mercado y a las condiciones del entorno. En ese tipo de negocios, tener acceso a una determinada información puede ayudarte a cambiar el funcionamiento de tu empresa radicalmente.

  

  Dicho de otra forma: para que la IA tenga potencial necesitas un entorno donde exista incertidumbre, el contexto sea cambiante y surjan nuevos retos. La falta de certezas debe afectar a tus decisiones empresariales. Esta área de la IA ya está muy madura y puede serte de ayuda. Sin embargo, si no se cumple ninguno de estos requisitos y tu entorno no cambia o, si lo hace, no ejerce ninguna influencia en tu compañía, es posible que el margen de implementar la IA sea menor.

• Más allá del ahorro en costos, ¿qué oportunidades puede aportar la IA a los negocios?

  El ahorro es relevante, pero se espera que la IA posibilite ofrecer productos y experiencias totalmente nuevas que antes no existían. Siempre hay quien imagina aplicaciones en las que las IA reemplazan a trabajadores, y eso puede generar inquietud. Sin embargo, también se puede pensar en ejemplos en los que la IA abra nuevas vías a aplicaciones emergentes que solo son posibles gracias a la IA y que podrían suponer una gran oportunidad de expansión.

  Lo que es muy interesante en la logística —y me alegraría estar equivocado— es que todo está sometido a una enorme presión. Por ejemplo, da igual dónde compres tus destornilladores con tal de que su calidad sea buena y el costo competitivo. Ahora bien, ¿podría darse el caso en que la forma de conseguir un destornillador o la fiabilidad del depósito ofrecieran una experiencia completamente distinta al cliente? Eso sí que sería interesante. Podríamos preguntarnos: una vez integrados los robots, ¿y si no solo reducen el costo de extraer un destornillador, sino que también hacen el proceso mucho más fiable? ¿Y si eso me permite obtener datos que me ayuden a crear un nuevo producto? Cuando la IA te capacita para hacer algo que no podías antes, se convierte en un campo lleno de oportunidades.

• Una vez dijo sobre la IA que el objetivo es que sea una herramienta, no un ente superior.

  Esta idea guarda relación con el miedo, y el miedo es una reacción natural que todo el mundo tiene. El objetivo no es evitar sentirlo, sino ser consciente de él y usar esa energía en tu beneficio. Pienso que el miedo es un indicador de que algo está ocurriendo y deberías prestarle atención. Es un mecanismo de alerta. No obstante, si no lo abordas de forma consciente y se hace demasiado profundo, el temor empieza a dictarte lo que debes hacer. Dejas de pensar. Y eso es algo que vemos muy a menudo; creer que puedes perderte algo provoca que te paralices.

  La diferencia entre una herramienta y un ente superior es que el segundo define los objetivos por ti. Te dice, “soy una tecnología y esto es lo que hago, así que tú deberías hacerlo también”. Es un ejemplo de lo que supone copiar y pegar una solución sin pensar antes en profundidad en qué valor te aporta. Sin embargo, una herramienta ejecuta una acción sin definir su valor final y eres tú quien debe definir ese valor. Así que, si piensas en la IA como un instrumento, debes preguntarte lo siguiente: ¿Has entendido el valor de lo que estás intentando conseguir? ¿Has hecho tus deberes para lograrlo?

• 

  ¿Cuáles son sus últimos descubrimientos sobre analítica impulsada por la IA para ayudar a las empresas en la toma de decisiones?

  Un área de investigación que estamos explorando es el aprendizaje secuencial, también conocido como aprendizaje por refuerzo, en el que un agente de IA intenta actuar de forma óptima en el mundo, pero antes necesita interactuar con él mismo para aprender cómo hacerlo. Cuando te relacionas con el mundo, tus acciones tienen consecuencias, y esto afecta a cuánta información recopilas, dónde lo haces y a tus experiencias. Eso sí, no queremos enviar un robot a la calle y que lo atropelle un camión: estamos estudiando cómo diseñar un robot capaz de aprender mientras actúa y recoge datos.

  Existe otro campo que todavía no hemos comprendido bien y tiene que ver con cómo llevar a cabo estas tareas en un entorno que no permanece estático —si lo piensas, casi ninguno de los ambientes con los que interactuamos lo hace—. Siempre que llegamos a un lugar nuevo primero hay un proceso de aprendizaje pero, a medida que aprendemos, el entorno también puede cambiar. Así que, ¿cómo se diseñan agentes robustos que puedan recopilar la información correcta en estos lugares cambiantes?

  En la Graduate School of Business de la Universidad de Stanford estamos trabajando activamente en esta área. Es apasionante porque permite abordar numerosas aplicaciones que antes estudiábamos mediante aproximaciones en las que simulábamos que el entorno no cambiaba. Si pensamos en las recomendaciones de los comercios en línea, estos cambios deberían ser la norma, pero los agentes de IA que se utilizan para crearlas y aprender a fijar precios todavía han sido diseñados para un entorno inmutable. Al aplicar nuestros descubrimientos en esas áreas ya apreciamos mejoras significativas. Cuando he trabajado en proyectos para clientes del sector de la logística, he comprobado que este es un entorno frenético, muy poco estático y donde entran en juego regulaciones, disrupciones, estacionalidad… Aquí el secreto radica en cómo se diseñan los algoritmos para adaptarse rápidamente y obtener la información correcta con la IA.

• ¿Qué rol cree que desempeñará la IA en el futuro de la logística?

  Es difícil de decir. Cabría preguntarse, ¿por qué la IA está produciendo tanto ruido en chatbots y generación de imagen y no tanto en logística? Creo que la razón principal es sencilla: mover objetos físicos es complicado por varios motivos y también hace que sea difícil obtener un margen. La cuestión es cómo reducir la fricción en cada punto del camino. Si pensamos en un buque portacontenedores y una IA, hay que analizar cuántos pasos intermedios existen e investigar cómo disminuir las fricciones a lo largo de la cadena de suministro. Por ejemplo, es posible que una IA permita lograr un mejor método para comunicar decisiones como en qué muelle debe detenerse un camión que llega al depósito.

  Recomiendo a las empresas que, antes de pensar en la IA, reflexionen sobre cómo pueden disminuir los cuellos de botella. Una vez que estos se reduzcan, la IA puede provocar un impacto positivo de muchas formas. Algunos de los negocios más exitosos son buenos resolviendo estos cuellos de botella. Las organizaciones no destacan por tener el mejor y más original equipo de IA del mundo: es posible que tengan un buen equipo de IA, pero esa no es la parte más decisiva. Lo determinante es la plataforma, las operaciones, y llevar estas últimas hasta el punto en que los ordenadores puedan mover átomos. Ese es el mayor obstáculo en este momento, pero me siento ilusionado. La robótica que estáis construyendo en Mecalux puede ser un gran paso en ese sentido. Soy muy optimista sobre el futuro de la inteligencia artificial en el almacenamiento y la logística. Es una tendencia que, sin duda, seguirá creciendo.