¿Cómo puede la IA generar valor para los industriales?

A pesar de la incertidumbre, los líderes industriales pueden tomar medidas hoy para garantizar que sus empresas estén preparadas para la IA. Hemos identificado cinco iniciativas intersectoriales que abordan los desafíos para la implementación de la IA y diferencian entre cómo las empresas pueden "actuar ahora" y "evolucionar después".

El ritmo del desarrollo tecnológico exige un enfoque de dos velocidades para estas iniciativas. Las recomendaciones de "actuar ahora" requieren una inversión mínima, causan una disrupción mínima, son modulares y deberían mostrar resultados tangibles a corto plazo. A medida que las victorias se acumulan y cobran impulso, las recomendaciones de "actuar ahora" se convierten en sugerencias de "evolucionar más tarde". Estas sugerencias con visión de futuro requieren una orquestación estratégica de arriba hacia abajo y una asignación de capital para crear una rueda de inercia sostenible para que crezcan las iniciativas de IA.

Estas cinco iniciativas clave ayudarán a guiar la implementación de la IA para que esté estratégicamente alineada, tenga un propósito operativo y sea comercialmente viable:

Iniciativa 3. Desarrollar un plan de recualificación de la fuerza laboral

Se prevé que la IA tendrá un impacto radical en el trabajo y el talento, ya que sus capacidades de rápido avance le permiten realizar una variedad más amplia de trabajos con una facilidad y sofisticación cada vez mayores.

La GenAI, en particular, puede producir resultados creativos y analíticos como código, correos electrónicos, imágenes, presentaciones de diapositivas, así como hacerse cargo de los trabajos de "cuello azul" o "nuevo collar" en producción. Los robots industriales habilitados para IA están ampliando sus funciones al mejorar habilidades como el reconocimiento de objetos, el aprendizaje y la coordinación, lo que les permite desempeñar un papel cada vez más importante. La GenAI podría hacer que las fábricas sean más adaptables y eficientes, al mejorar su capacidad para reducir el tiempo de inactividad no planificado y mejorar, así, las previsiones.

El papel cada vez mayor de la IA requerirá que los trabajadores se vuelvan a capacitar, tanto para adquirir competencia en su uso como para mejorar las competencias que serán más valiosas en la era de la GenAI, como el control de calidad, la integración de contenidos o el compromiso con el cliente.

Actúa ahora: crea una evaluación de habilidades para identificar las necesidades de reciclaje

Comienza por evaluar qué tareas es probable que asuma la IA y qué competencias se requieren para los trabajadores, especialmente para el trabajo manual, donde el impacto de la GenAI ha sido menos explorado.

Evoluciona más tarde: desarrolla e implementa un plan de reciclaje profesional

Las organizaciones deben esforzarse por crear una cultura de aprendizaje continuo que les permita adaptarse a las necesidades de habilidades en constante cambio. Los incentivos pueden desempeñar un papel importante, ya que vinculan la recualificación profesional con la promoción profesional y la compensación financiera. Y, al identificar y fomentar los focos de innovación, las empresas pueden mantener a los empleados talentosos comprometidos y atraer nuevos talentos con conjuntos de habilidades en demanda.

Iniciativa 4. Crear una hoja de ruta de evaluación y actualización de la arquitectura de datos

Tradicionalmente, las empresas industriales han implementado soluciones puntuales centradas en OT sin una estrategia de datos cohesiva, pero contar con la arquitectura de datos adecuada es fundamental para la implementación efectiva de la IA en toda la organización. El desafío se ve agravado por los diferentes tipos de datos utilizados por la IA tradicional (datos estructurados) y GenAI (que sobresale en el trabajo con datos no estructurados). Para utilizar GenAI en toda la fuerza laboral, los grandes modelos lingüísticos (LLM, por sus siglas en inglés) deben formarse en procedimientos operativos y buenas prácticas, construyendo un "gráfico de conocimiento" para la organización. Pero gran parte de esta información a menudo reside solo en la mente de los empleados, y es posible que no esté codificada formalmente, y mucho menos almacenada en forma digital.

Actúa ahora: realiza una evaluación de la arquitectura de datos

La arquitectura de datos debe evaluarse para identificar el diseño del proceso, las dependencias y la calidad y seguridad de los datos. Los puntos de referencia adecuados pueden proporcionar una línea de base de rendimiento y respaldar futuros casos de negocio de IA. Asigna los posibles escenarios de actualización del sistema emparejando las actualizaciones por fases con el retorno de la inversión potencial de los casos de uso correspondientes. La gobernanza debe revisarse y reforzarse para cubrir los riesgos heredados (como la privacidad de los datos, el sesgo y la ciberseguridad), así como los nuevos riesgos creados por los nuevos casos de uso de la IA.

Evoluciona más tarde: ejecuta una estrategia de datos con actualizaciones por fases según el retorno de la inversión, el impacto y la viabilidad

Una vez mapeada la infraestructura, las empresas necesitan una estrategia para recopilar, almacenar y gestionar los datos necesarios para las aplicaciones de IA. El primer paso es identificar e implementar procesos para mejorar la calidad de los datos. En segundo lugar, pueden adoptar un enfoque gradual basado en el retorno de la inversión para capturar datos e introducir nuevos casos de uso. Explora las oportunidades para la adquisición de nuevos datos, incluidos los datos "sintéticos" según sea necesario para compensar la falta de datos históricos para las pruebas y la implementación de modelos de IA. 

Iniciativa 5: desarrollar asociaciones para ecosistemas de IA

Las empresas industriales están acostumbradas a gestionar complejos ecosistemas de socios de la cadena de suministros. Tanto para la cadena de suministros como para las asociaciones de IA, es importante examinar a los socios, establecer estándares de rendimiento y gestionar los costos de asociación.

Sin embargo, las asociaciones de IA aportan una mayor complejidad y profundidad de integración porque las soluciones de IA deben conectarse a los sistemas centrales, ser adaptables y gestionarse a lo largo del tiempo. Cada socio aumenta los costos de integración y administración, lo que afecta la orquestación de la pila tecnológica. Los socios de IA de bajo rendimiento pueden causar un daño mayor que los socios tradicionales de la cadena de suministros.

Actúa ahora: mapea los ecosistemas de IA y las capacidades complementarias e inicia pilotos

A la hora de elegir socios para proyectos de IA, las empresas deben comparar sus capacidades, madurez y ecosistemas de IA con las mejores prácticas emergentes. Los socios y ecosistemas con capacidades y experiencia complementarias pueden aumentar las brechas en habilidades, tecnología e implementación. Sin embargo, las nuevas relaciones entre socios y ecosistemas también requieren una nueva gobernanza. Mediante el establecimiento de asociaciones tempranas con múltiples entidades y la identificación de oportunidades de pequeños proyectos piloto, las empresas pueden adquirir experiencia antes de emprender proyectos de IA más grandes.

Evoluciona más adelante: utiliza criterios de evaluación clave para respaldar un ecosistema de socios de IA estrecho pero sólido

A medida que evoluciona el ecosistema de socios de IA, es esencial establecer criterios clave para evaluar las relaciones del ecosistema. Esto ayuda a seleccionar y desarrollar relaciones con socios prioritarios y a actuar con decisión para eliminar a los socios innecesarios que no aportan valor o no se adaptan a las necesidades futuras. A medida que el ecosistema evoluciona, también debería hacerlo el manual de funciones, gobernanza y mejores prácticas.

Impacto de las cinco iniciativas para abordar los principales desafíos de las empresas industriales

Consideraciones clave para las empresas industriales a la hora de implementar la IA

Las empresas manufactureras siempre han estado lideradas por OT. La IA no revertirá esa tendencia, pero apoyará una convergencia más profunda de IT/OT. Es probable que las soluciones puntuales impulsadas por el negocio crezcan en número y requieran la estandarización e interoperabilidad de los datos de OT. Las empresas industriales deben reconocer la necesidad de una arquitectura de datos madura para justificar las inversiones en IT y garantizar que la IA aporte valor de forma sostenible y segura. La IA es posible gracias a la tecnología, pero debe ser liderada por las empresas.

Muchos de los beneficios que la IA puede aportar a las empresas industriales provienen del trabajo fundacional que debe realizarse dentro de las empresas antes de la implementación: no es solo una actualización tecnológica; también es una actualización organizativa y cultural.

La cadena de suministros existe desde hace siglos y siempre ha aprovechado las nuevas tecnologías para adaptarse y mejorar. Hoy en día, las cadenas de suministros que son más resilientes, rentables y predecibles son las cadenas de suministros habilitadas por IA.

Algunos ven la IA como una frase de moda, pero vale la pena recordar que la IA no es un interruptor, sino un viaje.

Un agradecimiento especial a Francisco Almeida, EY Global Advanced Manufacturing & Mobility Analyst, Ernst & Young LLP; Michael S. Fiske, EY Global Advanced Manufacturing & Mobility Analyst, Ernst & Young LLP; Anil Valsan, Director, EY Global Advanced Manufacturing & Mobility Lead Analyst, Ernst & Young LLP; Gautam Jaggi, Director, EY Knowledge Insights, Ernst & Young LLP y Claudio Knizek, EY-Parthenon Global Advanced Manufacturing & Mobility Leader por su contribución a este artículo.