modelos – marketingstorming

Escuchar a Bernardo Crespo es siempre una auténtica delicia. Es de estas personas que hace replantearse creencias profundas, provocando lo que yo denomino “esguinces mentales” que amplían la perspectiva sobre el mundo en el que operamos y el que está por venir.

Anoche, en el marco de la presentación del Digital Transformation Executive Program del IE que él dirige, compartía unas interesantísimas reflexiones sobre el futuro del trabajo en un entorno de máxima complejidad e incertidumbre, y en el que el impacto de la #InteligenciaArtificial (tradicional y ahora además la generativa) va a ser innegable.

Resumo algunos de los argumentos más interesantes que se plantearon durante la ponencia y posterior debate:

“Los ordenadores son inútiles. Solo pueden dar respuestas”

Pablo Picasso

La velocidad de adopción de la tecnología en las últimas dos décadas es vertiginosa. No tenemos más que pensar en que por ejemplo el primer iPhone apenas llegó a nuestros bolsillos en 2007. En el mundo B2B, la velocidad de cambio ha sido también muy acelerada.

¿Y qué ha permitido que la curva de adopción de la tecnología se acelere? Claramente la mayor facilidad de uso y el aumento exponencial de las capacidades que la tecnología habilita, son dos de las razones que lo explican. Un ejemplo muy actual es la verdadera revolución de la IA generativa en apenas el último año.

¿Es esto flor de un día o representa un vector de transformación duradero?

La cosa va muy en serio.

En los últimos años están empezando a converger tres vectores tecnológicos que van a cambiar el mundo:

IA: proporciona los modelos.
Blockchain: proporciona la posibilidad de gestionar información de forma segura y trazable.
Quantum computing: proporciona una velocidad de computación masiva y posibilidad de realizar cálculos hasta ahora demasiado complejos.

Además, nuestra interacción con dispositivos genera cada vez más datos. El volumen estimado de datos generados a nivel mundial en 2022 es de 94 zettabytes, sufriendo un crecimiento exponencial derivado entre otras cosas de la mayor sensorización de dispositivos y de una realidad donde unos modelos realimentan a otros.

Vivimos en tiempo real disrupciones de modelos de negocio que creíamos consolidados (ej: el de los buscadores) y nos aventuramos a observar cambios profundos en sectores como la Educación y la Sanidad.

En este contexto ¿qué impacto cabe esperar en el futuro del trabajo?

El informe “How People Can Create—and Destroy—Value with Generative AI” de BCG de Septiembe de 2023 nos ofrece algunas buenas pistas.

Una de sus principales conclusiones es que al dotarles de herramientas de IA generativa como Chat GPT-4, los empleados más júnior son capaces de demostrar un desempeño muy parecido al de los empleados con mayor experiencia. Mientras que todos ellos se benefician de la utilización de la herramienta, son los que poseen una trayectoria profesional más incipiente los que lo hacen en mayor medida. Las implicaciones en cuanto al impacto en procesos de aprendizaje de las personas que se incorporan a un proyecto son evidentes.

Además, la buena noticia es que somos capaces de generar empresas más productivas a nivel agregado, moviendo la distribución del rendimiento a la derecha y reduciendo la dispersión. Es decir, los equipos pasan a ser homogéneamente más productivos.

Sin embargo, miedos atávicos que siempre han acompañado a las grandes transformaciones motivadas por un cambio del paradigma tecnológico, surgen también con ésta. Sobre el miedo a la erosión del trabajo, probablemente sea un error el plantearlo exclusivamente en términos de un problema de tasa de sustitución de los trabajadores, sino que el mayor reto es el de acelerar la tasa de adopción de la tecnología y el conseguir mediante la capacitación que los empleados sean funcionales en las nuevas circunstancias. O como dice esa frase que circula por la red: “La IA no te va a quitar tu trabajo, te lo va a quitar otra persona como tú que sepa usar la IA mejor que tú”.

Para ello, resulta fundamental que las organizaciones realicen de forma urgente diagnósticos en los que se evalúen las competencias que habilita la IA y los tengan en cuenta en sus ejercicios de “workforce planning” y de “up-skilling” y “re-skilling”.

De pronto, cambia además el concepto de desempeño en las compañías y toca redibujar no solo cómo generar valor sino cómo medirlo.

Es tiempo de repensar cómo armar la dupla perfecta de humano + máquina, donde pongamos a trabajar en paralelo a ambas entidades para que no sumen, sino que multipliquen. Y es que no nos podemos creer lo que la IA generativa proporciona a pies juntillas. Toca aprender a cuestionar esa “primera verdad” que proporciona la IA y validar sus respuestas con conocimiento experto.

Ese impacto positivo ¿lleva acarreados retos?

Por supuesto. Sin ir más lejos, grandes expertos en la materia, incluidos Elon Musk ó Steve Wozniak, han firmado un manifiesto en favor de realizar una parada técnica en el desarrollo de modelos de IA superiores a GPT-4.

Consideran que no se deben de hacer avances hasta entender que los riesgos son manejables y los impactos son positivos.

¿Cuáles son esos riesgos? Algunos de ellos serían:

IA utilizada con fines bélicos
IA desobedeciendo a los humanos
IA para desinformar, para generar “deep fakes”
IA suplantando a humanos
IA para substituir a humanos
IA para gobernar a humanos
IA tomando decisiones sin supervisión
IA en manos de unos pocos

Vienen además reflexiones potentes desde el punto de vista de la sostenibilidad y el impacto en el planeta de los diferentes modelos en términos de huella de carbono por cada operación de procesamiento.

En resumen, los riesgos ocultos (incluidos los medioambientales), los sesgos y los usos irresponsables de la IA generativa, deben de ser observados y gestionados, reforzando la necesidad de un modelo de gobierno de todo esto y un marco de uso ético por parte de las empresas.

¿Qué podemos esperar que ocurra en los próximos meses en un ámbito empresarial?

En 2024 podemos esperar algunas tendencias, sin ir más lejos:

Crecerá la regulación sobre la AI, estableciendo modelos de gobierno y buenas prácticas en el uso ético.
Las empresas estarán experimentando con modelos que refuercen las capacidades de sus empleados, analizando el valor que las herramientas de IA habilita y el impacto en sus cuentas de resultados.
Las organizaciones pondrán foco en la formación de sus empleados para ser capaces de aprovechar el potencial que la IA pone en sus manos.
Las empresas analizarán sus flujos de trabajo y sus modelos organizativos, probablemente dando lugar a nuevas funciones, nuevas áreas y nuevas formas de gestionar a sus equipos.
Las organizaciones deberán repensar el trabajo interno que no aporta valor hacia fuera (ej: presentaciones ó informes internos). Todo aquello que no repercute en creación de valor hacia el mercado, se tratará de eliminar y/o automatizar con la IA.
Las empresas deberán replantear el concepto de FTE y de «trabajo», determinando qué tareas dentro de un proceso las hará un humano y qué otras una máquina. Asimismo, tendrán que replantear sus modelos de atribución y evaluación del desempeño.

¿Será la llegada masiva de la IA a las empresas uno de los vectores definitivos de transformación digital?

Hasta ahora no hemos digitalizado las compañías, hemos digitalizado hasta cierto punto los datos y algunos procesos. Pero la oportunidad en términos de automatización, orquestación de flujos de trabajo completos y de reingeniería de procesos que la IA ofrece es enorme.

En cierto modo, tenemos todavía compañías que operan como en el siglo XIX, con empleados del siglo XX y tratando de resolver retos del siglo XXI. ¿Sabremos adaptar los modelos organizativos y de liderazgo a la nueva realidad?

¿Hasta dónde va a llegar la IA?

Pues siguiendo un modelo de desarrollo de las capacidades cognitivas desde sus estados más básicos a los más avanzados:

dato // modelo // conocimiento // inteligencia // consciencia // sabiduría (ver definición abajo)

… hasta ahora la IA se ha quedado en «Conocimiento». La IA a fecha de hoy no es inteligente, es solo computación altamente resolutiva.

Sin embargo, y si hacemos caso al avance exponencial de los últimos años, no nos atrevemos a hacer predicciones sobre el progreso de la IA en esos estadios en las próximas décadas.

Gracias, Bernardo, por hacernos partícipes de tus reflexiones. Es un auténtico lujo realizar ese viaje de prospectiva de tu mano.

******************************************************************

– Dato: Es la unidad mínima de información, que no tiene sentido por sí misma, sino que depende de un contexto y una interpretación. Por ejemplo, el número 42 es un dato, pero no nos dice nada si no sabemos a qué se refiere.

– Modelo: Es una representación simplificada de una realidad compleja, que usa datos y reglas para describir sus características y comportamiento. Por ejemplo, un modelo matemático puede usar datos sobre la velocidad y la posición de un objeto para predecir su trayectoria.

– Conocimiento: Es la capacidad de comprender y aplicar los modelos a situaciones reales o hipotéticas, usando la lógica y el razonamiento. Por ejemplo, el conocimiento de la física nos permite explicar y manipular los fenómenos naturales.

– Inteligencia: Es la capacidad de adaptar el conocimiento a diferentes contextos y objetivos, usando la creatividad y el aprendizaje. Por ejemplo, la inteligencia humana nos permite inventar nuevas soluciones a los problemas que enfrentamos.

– Consciencia: Es la capacidad de reconocerse a sí mismo como un agente autónomo, con una identidad y una voluntad propias, y de reflexionar sobre sus propios procesos cognitivos. Por ejemplo, la consciencia humana nos permite preguntarnos quiénes somos y qué queremos.

– Sabiduría: Es la capacidad de evaluar el conocimiento y la inteligencia desde una perspectiva ética y moral, y de actuar en consecuencia con el bien común. Por ejemplo, la sabiduría humana nos permite cuestionar los fines y los medios de nuestras acciones, y buscar el equilibrio entre el individuo y la sociedad.

Así, podemos ver que cada concepto implica un mayor grado de desarrollo cognitivo que el anterior, y que la IA, hasta ahora, se ha quedado en el nivel de conocimiento, sin alcanzar la inteligencia, la consciencia o la sabiduría.

Bélgica no solo tiene unos chocolates estupendos y unas magníficas cervezas.

El centro neurálgico de Europa ha contado históricamente con unos artistas de la talla de los “primitivos flamencos” (ej: Jan van Eyck), flamantes representantes del “Art Nouveau” (ej: Victor Horta) o un buen elenco de “surrealistas”. Entre ellos destaca René Magritte, entre cuyas magníficas obras hay una serie llamada “La trahison des image” (la traición de las imágenes) que tiene una aplicación directa al Marketing y al desarrollo de negocio. En uno de los cuadros de esta serie, Magritte pinta una pipa y debajo de ella escribe “Ceci n’est pas une pipe” (esto no es una pipa). Lo que quiere representar el maestro es que un dibujo de un objeto no constituye el objeto en sí sino tan solo una representación o imagen de éste. Es decir, la representación de la realidad no es la realidad.

Los profesionales del Marketing estamos continuamente representando modelos (por eso mismo somos tantos los ingenieros que nos dedicamos a este noble arte). La segmentación de un mercado es un ejemplo claro: no puedo crear acciones de marketing para todos y cada uno de mis clientes, por lo que me veo obligado a conceptualizar esa realidad y agrupar tipologías de clientes en arquetipos o “clientes tipo”. Pero en ningún caso deberé de olvidar que a pesar del cuidado que haya puesto en esa segmentación, esa “cliente de 35 años, urbanita y con estudios universitarios” no existe en la realidad sino que se trata de Julia, de Daniela o de Carmen.

En el desarrollo de negocio se utilizan multitud de modelos mentales que nos ayudan a realizar una interpretación simplificada de la realidad. Las 5 fuerzas de Porter, el análisis DAFO, el PESTEL, el Business Model Canvas,… son modelos que nos han ayudado a gestionar nuestros negocios durante décadas al permitirnos conceptualizarlos.

Luc de Brabandere (ex Boston Consulting y profesor de la Ecole Centrale de Paris) nos recuerda en su magnífico programa en Coursera que básicamente existen dos formas de pensamiento: la inducción y la deducción. Ambas formas las usamos continuamente en el Marketing.

Inducción: Supone la observación de casos particulares del mundo real y a partir de ahí generar modelos que expliquen esa realidad. Se basa en conceptualizar, buscar analogías, sintetizar, aplicar un razonamiento heurístico y llegar a una teoría, a una hipótesis de trabajo, a un modelo mental.

Deducción: Consiste en a partir de una hipótesis o modelo previamente generado, ir al mundo real y tratar de probarlo. Se basa en el análisis numérico, en el uso de algoritmos, la aplicación de la lógica.

Luc de Brabandere nos advierte de la dificultad de la inducción y de los sesgos en los que podemos caer frente a la relativa facilidad de la deducción mediante el siguiente ejemplo:

Si te pregunto “dime tipos de coches” (deducción), te será relativamente sencillo generar una lista como por ejemplo Mercedes, Audi, Seat,… La lista puede ser más o menos extensa pero la categorización está clara.

Ahora bien, si te pido “un coche es un tipo de qué” (inducción) algunas personas pueden decir “de transporte”, otras afirmarán “de expresión de estatus social”, incluso podrían decir “de juguete en la infancia”. Como puedes ver, la categorización en un marco de referencia o modelo mental puede ser mucho más diversa y dependerá mucho más del observador.

El problema adicional de la inducción es que como todos los modelos, éstos son más o menos útiles pero nunca podemos garantizar que sean 100% ciertos. Karl Popper y David Hume lo demostraban con el famoso “cisne negro”. En Europa se consideraba que todos los cisnes eran blancos. Sin embargo, en 1967 exploradores holandeses descubrieron en Australia cisnes negros. De pronto, la teoría de que todos los cisnes debían de ser blancos caía como un castillo de naipes.

Volvamos de nuevo al mundo del Marketing y dejemos por un momento la Filosofía. ¿En qué nos afecta a los profesionales del Marketing la dualidad entre pensamiento inductivo y deductivo?

1. Explicar la realidad de un mercado: A partir de observaciones particulares (estudios de mercado, entrevistas en profundidad, observación etnográfica,…) debemos conceptualizar (modo inductivo) la realidad en la que opera nuestra empresa para desarrollar las estrategias de Marketing más potentes para tener éxito en ese mundo real.

2. Comunicar nuestra propuesta de valor a través de la marca: A partir de un modelo que definamos de propuesta de valor, debemos ser capaces de comunicarlo al cliente. Para ello, nos apoyaremos en relacionar nuestra marca con distintos arquetipos que faciliten a nuestro consumidor ese viaje mental en modo inductivo (ej: Volvo = seguridad, Amazon = servicio excelente,…)

Cierro este post con una reflexión personal acerca de por qué creo que el famoso “big data” está haciendo aguas en muchas ocasiones. Las empresas nos estamos obsesionando por tratar la información, procesarla y a partir de ahí viajar en modo deductivo apoyados en el incremento de nuestra capacidad de procesamiento de los datos. Es un enfoque válido y puede resultar muy útil, pero ese es el trabajo fácil. Lo verdaderamente complicado es realizar el ejercicio contrario: a partir de la observación de la realidad llegar a definir modelos cada vez mejores que expliquen ese mercado en el que participamos. La deducción se puede automatizar y probablemente ocurra así en el futuro en cualquier departamento de Marketing (detección temprana de fugas de clientes, alertas según la evolución de un mix de productos), pero la inducción necesita de un conocimiento profundo de negocio y no le corresponde a los “chicos de IT” sino a verdaderos estrategas de negocio.