60| Harvard Deusto Business Review

CÓMO LOGRAR
RENTABILIDAD
EN PROYECTOS DE
INTELIGENCIA ARTIFICIAL
Conseguir que una empresa se beneficie del potencial de la inteligencia
artificial requiere una buena colaboración entre el equipo de 'data science'
y las unidades de negocio, así como mantenerse claramente centrado
en el valor tangible

THOMAS H. DAVENPORT
President’s Distinguished Professor de Tecnologías de la
Información y Gestión Empresarial en Babson College,
profesor invitado en la Saïd Business School de Oxford y
miembro titular de la MIT Initiative on the Digital Economy

REN ZHANG
Chief Data Scientist del BMO Financial Group, miembro
de la comisión asesora global de Business of Data y mentor
en la Creative Destruction Lab

Este documento está autorizado para el uso exclusivo de publiciencia10@harvarddeusto.local (publiciencia10@harvarddeusto.local). https://www.harvard-deusto.com
Copiarlo o publicarlo es una infracción de los derechos de autor. Para cualquier consulta contacta con info@harvard-deusto.com.
 Cómo lograr rentabilidad en proyectos de inteligencia artificial |61

Este documento está autorizado para el uso exclusivo de publiciencia10@harvarddeusto.local (publiciencia10@harvarddeusto.local). https://www.harvard-deusto.com
Copiarlo o publicarlo es una infracción de los derechos de autor. Para cualquier consulta contacta con info@harvard-deusto.com.
 62| Harvard Deusto Business Review

L
as empresas que se em-
barcan en iniciativas de
inteligencia artificial (IA) y
de data science en el ac-
tual entorno económico
deberían aspirar a alcan-
zar un nivel de rentabili-
dad económica superior
al que lograron muchas
compañías en los prime-
ros tiempos de la IA apli-
cada a las empresas. Hay
varios estudios que sugie-
ren que, hasta ahora, ha
habido un bajo nivel de
rentabilidad, en parte, porque muchos
sistemas de IA nunca llegaron a im-
plementarse: un estudio de 2021 de
IBM1, por ejemplo, descubrió que sola-
mente el 21% de 5.501 empresas afir-
maba haber “implementado la IA en
su organización”, mientras que el res-
to aseguraba estar explorándola, de-
sarrollando pruebas de concepto o
usando aplicaciones de IA prefabrica-
das. Del mismo modo, un análisis de
VentureBeat2 indicaba que el 87% de
los modelos de IA nunca alcanza la fa-
se de producción, y una encuesta de
2019 de MIT Sloan Management Re-
view y Boston Consulting Group3 ex-
plicaba que siete de cada diez empre-
sas analizadas concluían que sus

inversiones en IA habían tenido un nuación describimos cada una de esas

LOS PROYECTOS DE INTELIGENCIA rendimiento nulo. Esto es lógico: si no estrategias.
ARTIFICIAL SUELEN SER LIDERADOS se alcanza la implementación a nivel
de producción, no se genera valor eco- SEIS ESTRATEGIAS
POR EL EQUIPO DE 'DATA SCIENCE' nómico alguno. QUE CONDUCEN A LA
GENERACIÓN DE VALOR
DE LA EMPRESA, Y ESE EQUIPO Pero hay otras compañías que sí
han obtenido un rendimiento econó- Los proyectos de IA suelen ser lidera-

1
TIENE LA TAREA TANTO DE mico de sus inversiones en IA. Sus es-
trategias para generar valor incluyen
EJECUTAR ESOS PROYECTOS el establecimiento de estrechas rela-
COMO DE ASUMIR LA ciones entre los equipos de análisis de
datos y las unidades de negocio impli-
RESPONSABILIDAD DE LOS cadas, seleccionando proyectos con
un valor tangible y una ruta clara pa-
RESULTADOS OBTENIDOS ra llegar a la producción, asegurándo-
se de que gozan de la confianza de los
principales stakeholders antes de ini-
ciar el proceso de desarrollo, constru-
yendo productos de IA reutilizables,
aplicando de forma selectiva proyectos
de “prueba del concepto” y creando
una secuencia o embudo de proyectos
que abarque hasta la implementación
en el ámbito de la producción. A conti-
dos por el equipo de data science de la
empresa, y ese equipo tiene la tarea
tanto de ejecutar esos proyectos como
de asumir la responsabilidad de los
resultados obtenidos. Las siguientes
seis estrategias pueden ayudar a guiar
el equipo de data science hacia una
mayor probabilidad de éxito en esos
proyectos en los que está implicada
más de una unidad.
1. Concéntrese en las colaboraciones
con las unidades de negocio que
sean más compatibles con la IA
Se sabe de sobras que cualquier pro-
yecto de tecnología sale beneficiado si
se establecen relaciones de colabora-

Este documento está autorizado para el uso exclusivo de publiciencia10@harvarddeusto.local (publiciencia10@harvarddeusto.local). https://www.harvard-deusto.com
Copiarlo o publicarlo es una infracción de los derechos de autor. Para cualquier consulta contacta con info@harvard-deusto.com.

ción entre las distintas funciones y
unidades de negocio que van a utili-
zar el nuevo sistema. No obstante, en
los proyectos de IA es importante tra-
bajar con líderes de unidades de ne-
gocio que realmente entiendan esta
tecnología y su potencial. Las señales
que indican que un líder seguramente
brindará su apoyo a un proyecto de
IA son que esté familiarizado con el
análisis de datos, que disponga de
datos bien seleccionados, e incluso
que tenga un equipo de análisis de
datos en su propia estructura organi-
zativa.
Uno de nosotros (Ren Zhang) es el
Chief Data Scientist del BMO Financial
Group, y ha constatado que, en ese
banco, el respaldo al uso de la IA en
las diferentes unidades de negocio está
estrechamente correlacionado con la
cantidad de datos de los que se dispo-
ne en cada unidad. La unidad digital
del banco, por ejemplo, tiene grandes
Este documento está autorizado para el uso exclusivo de publiciencia10@harvarddeusto.local (publiciencia10@harvarddeusto.local). https://www.harvard-deusto.com
Copiarlo o publicarlo es una infracción de los derechos de autor. Para cualquier consulta contacta con info@harvard-deusto.com.
Cómo lograr rentabilidad en proyectos de inteligencia artificial |63
LAS SEÑALES QUE INDICAN QUE UN LÍDER SEGURAMENTE BRINDARÁ
SU APOYO A UN PROYECTO DE INTELIGENCIA ARTIFICIAL SON QUE ESTÉ
FAMILIARIZADO CON EL ANÁLISIS DE DATOS, QUE DISPONGA DE DATOS
BIEN SELECCIONADOS, E INCLUSO QUE TENGA UN EQUIPO DE ANÁLISIS
DE DATOS EN SU PROPIA ESTRUCTURA ORGANIZATIVA
volúmenes de datos de la actividad on-
line de los clientes, y acoge con los
brazos abiertos las herramientas de IA
y analytics para dar sentido a esos da-
tos y personalizar las interacciones
con los clientes. La unidad de delitos
financieros del banco también dispone
de datos sobre el comportamiento de
los clientes y los empleados, y siempre
está interesada en utilizar las aplica-
ciones de IA más actuales para identi-
ficar y poner fin a la actividad delictiva.
Además, ambos departamentos están
sujetos a las tendencias que fomentan
el uso de la IA en este sector: en la uni-
dad digital, les motiva el aumento de la
demanda de experiencias personaliza-
das por parte de los clientes; en la uni-
dad de delitos financieros, les mueve el
aumento de los ataques cibernéticos y
del fraude. Estos grupos se han con-
vertido en clientes internos entusias-
tas de la IA.
Pero hay otros grupos dentro del
banco que son, naturalmente, más
conservadores a la hora de adoptar la
IA. La división de banca comercial, por
ejemplo, atiende a menos clientes que
el banco minorista, y prefiere dar un
toque personal a los procesos y no re-
currir a interacciones más automatiza-
das. Los ejecutivos del Departamento
de Análisis de riesgos muestran más
motivación para aplicar el análisis de
datos con el fin de mejorar la toma de
decisiones en la concesión de créditos,
pero topan con que ese aspecto del ne-
gocio está estrictamente regulado: los
complejos modelos de aprendizaje au-
tomático tal vez resulten más desea-
bles cuando se haya alcanzado la
transparencia que exigen los regulado-
res y cuando la complejidad quede jus-
tificada por un potencial más claro de
aumento de los beneficios.
Aun así, las unidades organizativas
más reticentes no deben ser ignoradas
por el equipo de data science. Y es que
siempre se les puede educar acerca de
la IA y los posibles casos de uso en
sus unidades, con vistas a incremen-
tar el uso de la IA a largo plazo. Tam-
bién se pueden emprender pequeños
proyectos piloto en organizaciones en
las que los stakeholders aún estén ex-
plorando la idea de la IA. Pero las im-
plementaciones de producción a gran —>
 64| Harvard Deusto Business Review
2
LOS EQUIPOS DE IA DEBEN —> escala, probablemente, deberían pla-
nificarse en otro lugar.
PROCURAR SIEMPRE DESCRIBIR
2. Seleccione proyectos con valores
LOS PROYECTOS EN TÉRMINOS tangibles y con un camino claro
DE SU JUSTIFICACIÓN ECONÓMICA hacia la producción
Los equipos de IA deben procurar
Y LOS BENEFICIOS QUE siempre describir los proyectos en tér-
minos de su justificación económica y
APORTARÁN: CUANDO SE los beneficios que aportarán: cuando
DEMUESTRA QUE PRODUCEN se demuestra que producen valor, esto
contribuye a generar credibilidad, y
VALOR, ESTO CONTRIBUYE propicia que se extienda su aplicación
A GENERAR CREDIBILIDAD Y a otros grupos. La colaboración con
los equipos de estrategia de la empre-
PROPICIA QUE SE EXTIENDA sa también contribuye a planificar có-
mo la IA puede ser utilizada en la
SU APLICACIÓN A OTROS GRUPOS práctica, cosa que crea una garantía
adicional de que la implementación
planificada se llevará a cabo.
Los proyectos de IA y de data scien-
ce varían considerablemente en su
capacidad para crear valor tangible, y
cualquier equipo de IA necesita algu-
nas metas fáciles para compensar los
proyectos más ambiciosos. Por ejem-
plo, los proyectos que implican la au-
tomatización de tareas, tales como los
Este documento está autorizado para el uso exclusivo de publiciencia10@harvarddeusto.local (publiciencia10@harvarddeusto.local). https://www.harvard-deusto.com
Copiarlo o publicarlo es una infracción de los derechos de autor. Para cualquier consulta contacta con info@harvard-deusto.com.
que emplean la automatización robó-
tica de procesos (robotic process auto-
mation –RPA–), conllevan costes de
desarrollo bastante asequibles y, a
menudo, aportan una rápida amorti-
zación de la inversión, especialmente
cuando permiten sustituir servicios
externalizados. La empresa española
de telecomunicaciones Telefónica O2,
por ejemplo, recurrió a la RPA hace
varios años para resolver tareas ad-
ministrativas, y obtuvo una rentabili-
dad en esa inversión de entre un
650% y un 800%4.
Algunos proyectos que habitual-
mente también generan un claro valor
son los que implican la adquisición de
nuevos clientes, la prevención de la
pérdida o abandono de los clientes ac-
tuales o la prevención de impagos o
insolvencias. En las empresas manu-
factureras, las mejoras en la calidad
(como en el caso de Seagate, con la fa-
bricación de obleas5) o la reducción de
los inventarios en la cadena de sumi-
nistro son relativamente fáciles de va-
lorar. Los proyectos de aprendizaje
automático que aportan decisiones
mejoradas pueden ser medidos y valo-
rados cuando se compara la toma de
decisiones antes y después de su im-
plementación.
Otros proyectos de IA o de data
science son más difíciles de evaluar y
justificar. Las aplicaciones destinadas
a informar a los ejecutivos, ya sean
simples cuadros de mando o platafor-
mas de control del entorno a través de
IA, aportan un valor difícil de cuantifi-
car, dado lo complicado que es valorar
su papel en las decisiones ejecutivas
resultantes. La segmentación de los
clientes, una actividad clásica de ana-
lítica de marketing, ofrece poco valor
por sí misma, y solo se vuelve valiosa
cuando nos permite tratar de forma
diferente a clientes distintos y da lugar
a ventas cruzadas o a ventas de pro-
ductos de mayor calidad.
En un webinar sobre los desafíos a
la hora de lograr que las inversiones
resulten rentables, varias compañías
afirmaron que habían puesto en mar-
cha colaboraciones con el director Fi-
nanciero (CFO, por las siglas en inglés
de Chief Finantial Officer) o el equipo
financiero para evaluar cada proyecto
antes y después de su implementa-
ción. Otras dijeron que minimizaban
toda discusión sobre la IA con los dis-
 Cómo lograr rentabilidad en proyectos de inteligencia artificial |65

3
tintos stakeholders para evitar las ex-
pectativas desmesuradas que se aso-
cian con este tema.

3. Cultive la confianza y el apoyo de

los 'stakeholders' antes de iniciar el
proceso de desarrollo
Implementar la IA en entornos de pro-
ducción resulta muy laborioso y caro,
dado que exige hacer pruebas exhaus-
tivas, integrarse con las actuales ar-
quitecturas, rediseñar los procesos de
negocio y potenciar o actualizar la for-
mación de los empleados. Así pues, es
importante tener el apoyo de los líde-
res de las diferentes unidades o depar-
tamentos en los que van a ser imple-
mentados estos sistemas, incluyendo
su colaboración en las previsiones de
costes y las expectativas respecto a los
cambios que serán necesarios en la
empresa.
Hemos hablado, por ejemplo, con
Vipin Gopal, director de Datos y Analí-
tica de la farmacéutica global Eli Lilly
& Co., y una de las primeras activida-
des que realizó, cuando se incorporó a
la organización, fue entrevistar a los
máximos líderes. Tras estas entrevis-
tas, recomendó que se centraran en
tres áreas a la hora de elaborar casos
de uso, explicitando los costes y bene-
ficios de cada una. Además, presentó
sus ideas ante todos los altos ejecuti-
vos. Todos sus proyectos fueron apro-
bados y continuaron adelante de for-
ma exitosa. Él atribuye el éxito de
estas soluciones a la aprobación y al
BUSCAR COMPONENTES QUE PUEDAN SER REUTILIZADOS CONTRIBUYE

4
apoyo que tuvo desde un primer mo-
mento por parte de los máximos res-
ponsables de la empresa.
4. Cree productos de inteligencia
artificial reutilizables para
impulsar la escala
Desarrollar un proyecto de IA es caro,
por lo que resulta lógico reutilizarlo
(completa o parcialmente) siempre que
sea posible. En BMO, por ejemplo, el
equipo de data science creó un siste-
ma de oferta de precios basado en el
aprendizaje automático para los clien-
tes internos de banca empresarial.
Cuando finalizó ese proyecto, el equi-
po creó un sistema genérico con capa-
cidad para fijar precios que actual-
mente se utiliza en otros proyectos.
Buscar componentes que puedan ser
reutilizados contribuye tanto a reducir
el coste como a acelerar la velocidad
TANTO A REDUCIR EL COSTE COMO A ACELERAR LA VELOCIDAD
DE EJECUCIÓN DE FUTUROS PROYECTOS, Y HACE UN USO MÁS EFECTIVO
DEL ESCASO TALENTO DISPONIBLE EN EL ÁMBITO DE 'DATA SCIENCE'
de ejecución de futuros proyectos, y
hace un uso más efectivo del escaso
talento disponible en el ámbito de da-
ta science. De esta manera, se evita
invertir en recursos a los que se acaba
dando un uso limitado.
Una empresa de servicios sanitarios
nos comunicó que su equipo de análi-
sis de datos había creado un producto
de procesamiento natural del lenguaje
que fue utilizado inicialmente para
programar intervenciones quirúrgi-
cas, pero que después fue aplicado a
otros tipos de citas, consultas sobre
pagos e incluso para gestionar resul-
tados de pruebas de COVID-19. Los
líderes sabios en el campo de la IA,
así como esperan que llegue una de-
manda de un cliente concreto para
crear para él una solución, también
invierten un poco de su esfuerzo en
cómo generalizar posteriormente esa
solución para aplicarla de forma más
amplia en otros ámbitos. —>

Este documento está autorizado para el uso exclusivo de publiciencia10@harvarddeusto.local (publiciencia10@harvarddeusto.local). https://www.harvard-deusto.com
Copiarlo o publicarlo es una infracción de los derechos de autor. Para cualquier consulta contacta con info@harvard-deusto.com.
 66| Harvard Deusto Business Review
5
—> 5. Utilice las PoC de forma selectiva,
pero siempre creando una ruta hacia
la implementación
Dado el elevado coste de una imple-
mentación completa de un proyecto
de IA, muchos stakeholders necesita-
rán ver pruebas de que realmente ge-
nerarán valor antes de proceder. Para
ello, se puede utilizar una “prueba de
concepto” (proof of concept –PoC–), con
la que medir y demostrar ese valor y
generar una solución eficaz. Este tipo
de proyectos también permiten identi-
ficar qué componentes de esa solución
resultarán muy costosos, pero no
6
aportarán apenas valor. Las PoC son
una excelente manera de persuadir a
los stakeholders.
El DBS Bank de Singapur, por ejem-
plo, desarrolló una PoC de un sistema
de detección de blanqueo de fondos
que utilizaba más datos que el ante-
rior sistema, que se limitaba a aplicar
“Cómo lograr rentabilidad en proyectos de
inteligencia artificial”. Massachusetts Institute of
Technology, 2021. Todos los derechos reservados.
Distribuido por Tribune Content Agency, LLC.
Este artículo ha sido publicado anteriormente
en MIT Sloan Management Review con el título
“Achieving Return on AI Projects”.
Este documento está autorizado para el uso exclusivo de publiciencia10@harvarddeusto.local (publiciencia10@harvarddeusto.local). https://www.harvard-deusto.com
Copiarlo o publicarlo es una infracción de los derechos de autor. Para cualquier consulta contacta con info@harvard-deusto.com.
una serie de reglas, y producía mu-
chos menos falsos positivos6. El máxi-
mo responsable de vigilancia de cuen-
tas estimó que, con esta herramienta,
los analistas de vigilancia podrían au-
mentar su productividad en una ter-
cera parte y que el número de clientes
que recibiría un aviso relativo a blan-
queo de fondos se reduciría en un
50%. Estaba entusiasmado con la im-
plementación completa de la solución,
porque excedía las estimaciones du-
rante la fase de PoC.
Como hemos señalado al principio
de este artículo, en muchas organiza-
ciones, las PoC nunca alcanzan su
valor potencial porque nunca se im-
plementan por completo. Pero se su-
pone que, si una PoC demuestra que
tiene el valor esperado para el nego-
cio, el proyecto entrará en funciona-
miento.
6. Gestione el recorrido
de los proyectos hacia una
implementación completa
Igual que con las oportunidades de
ventas o los proyectos de desarrollo de
nuevos productos, los proyectos de
data science deberían tener criterios
de selección claros y ser planteados
como una tubería o un embudo, con
la creación de la idea y la PoC al prin-
cipio, y el despliegue de producción al
final. No todos los proyectos llegarán a
ser plenamente implementados, pero
ese debería ser el objetivo.
El simple hecho de canalizar los
proyectos de esta forma contribuirá a
alcanzar valor, pero ello debe ir acom-
pañado por mecanismos de gestión,
como la identificación de los stakehol-
ders y la comunicación con ellos, un
análisis de las necesidades de recur-
sos de cada etapa y un análisis de la
gestión del cambio. Los equipos de
data science deberían revisar el esta-
do de este proceso con regularidad
–normalmente, una vez al mes–, des-
de el punto de vista de los beneficios,
el consumo de recursos y los niveles
de implicación de los socios tanto en
las PoC como para las implementacio-
nes de producción. En estas reunio-
nes, todas las tácticas descritas ante-
riormente pueden ser analizadas en
relación con cada proyecto individual
de IA.
La IA es un tema un tanto descono-
cido para muchos empresarios, pero
las disciplinas habituales para lograr
beneficios financieros sustancialmen-
te superiores a los costes siguen sien-
do válidas.•
REFERENCIAS
1. IBM Watson. Global AI Adoption Index 2021,
2021.
2. VentureBeat. Why do 87% of data science
projects never make it into production?
(https://venturebeat.com), 19 de julio de
2019.
3. Ransbotham, S., Khodabandeh, S., Fehling,
E., Lafountain, B. y Kiron, D. “Winning with
AI”. Mit Sloan Management Review, 15 de
octubre de 2019.
4. Lacity, M., Willcocks, L. y Craig, A. “Robotic
Process Automation at Telefónica O2”. The
Outsourcing Unit Working Research Paper
Series, abril de 2015.
5. Davenport, T. “Pushing The Frontiers Of
Manufacturing AI At Seagate”. Forbes (www.
forbes.com), 27 de enero de 2021.
6. Davenport, T. “Return On AI: The CDAO
Perspective”. Forbes (www.forbes.com), 24
de septiembre de 2020.