IA generativa en acción: estudios de casos corporativos

La IA generativa está arrasando en el mundo con sus respuestas similares a las humanas y su asombroso potencial de aprendizaje. Debido a que es tan emocionante, hay mucha publicidad comprensible en torno a estas nuevas herramientas y estamos dedicando mucha energía a integrarlas en nuestras soluciones analíticas personalizadas.

¿Cómo deben abordar las empresas la IA generativa?

En primer lugar, La IA generativa es una nueva y emocionante herramienta que permite a las empresas interactuar de nuevas maneras con datos que antes eran difíciles de procesar o de los que extraer información. El ejemplo inmediato son los datos de texto, como informes, comentarios de clientes, comunicaciones internas o descripciones de productos. Si bien requiere invertir en experiencia interna o externa en este campo, hay muchos casos de uso con ganancias potenciales que superan con creces esa inversión.

Es relevante señalar que esta nueva tecnología no sustituye a los modelos de IA que se han desarrollado hasta ahora. Debe verse como un elemento que permite aprovechar los datos cualitativos y hacer que los usuarios interactúen con los datos y los modelos de una manera más «natural». La combinación de la IA generativa con otros modelos de aprendizaje automático ofrece un gran valor añadido en soluciones verdaderamente personalizadas.

Teniendo esto en cuenta, hay varios casos de uso de estas nuevas tecnologías que ayudarán a dar forma a las prioridades de las empresas líderes a corto y medio plazo.

Caso de uso 1: Mejorar el conocimiento del cliente

Las principales empresas B2C tienen miles de interacciones y transacciones con sus clientes que son difíciles de estructurar y procesar, lo que genera un inmenso volumen de comentarios de los clientes sin explotar. Los comentarios de los clientes tienen un valor incalculable para estas empresas y, hasta ahora, había pocas herramientas para procesarlos de forma estructurada y extraer información significativa y útil.

La IA generativa lo permite. En primer lugar, al proporcionar el marco para leer y generar nuevos resúmenes de los comentarios de los clientes. Luego, estos resúmenes pueden por sí mismos servir como insumos para un LLM para luego agruparlos en categorías por contenido, sentimiento, tono o relevancia.

Al poder procesar y clasificar los comentarios de los clientes, podemos utilizarlos como información para los modelos de IA para entender cuáles son los principales factores que impulsan los comentarios negativos, qué categorías de comentarios provocan la pérdida más significativa de ventas futuras y qué contramedidas tienen el impacto más positivo (por ejemplo, reembolsos, intercambio gratuito de productos, ofertas en compras futuras)

Caso de uso 2: Hacer que las interacciones con los clientes sean más eficientes

Los centros de contacto son clave para mantener una línea de comunicación abierta con los clientes. Sin embargo, también son muy intensivos en recursos humanos y tienen una escalabilidad limitada cuando se basan en la interacción entre personas.

La IA generativa presenta dos casos de uso muy interesantes que seguramente se implementarán en la mayoría de los centros de contacto de todo el mundo.

En primer lugar, podemos diseñar máquinas similares a las humanas que se comporten de forma similar a la de un humano real y asignarlas a historias de usuario específicas. Estas máquinas se pueden crear para apoyar la formación humana mediante ejercicios de juego de rol de bajo coste en los que no haya dos interacciones iguales y los comportamientos del modelo se parezcan mucho a los que los alumnos encontrarán en la vida real.

Luego, podemos introducir robots en ejecutar o complementar las operaciones diarias. Estos robots están orientados a responder a las preguntas más comunes y frecuentes de los consumidores. Carecen de flexibilidad y del toque humano que, en ocasiones, puede reducir la calidad de la interacción.

Con la IA generativa, podemos ajustar un modelo lingüístico para estas primeras interacciones hasta que, de hecho, se necesite un agente humano. Estos modelos se pueden personalizar para interacciones específicas, de modo que las respuestas generadas sean precisas y estén lo más cerca posible de los agentes humanos.

En un caso de uso intermedio, los empleados pueden validar y editar las respuestas proporcionadas por un LLM. De esta forma, podemos asegurarnos de que las respuestas sean verificadas por personas responsables de la interacción y, al mismo tiempo, acelerar sus tiempos de respuesta.

Por lo tanto, podemos imaginar fácilmente tres escenarios diferentes relacionados con la integración de la IA.

1. Puede haber procesos centrados en el ser humano en los que la IA generativa desempeña poco o ningún papel y todas las acciones son tomadas por humanos.
2. Podemos recurrir a la IA generativa para entrenar y ayudar a los agentes humanos en sus tareas y, al mismo tiempo, mantener a los humanos como propietarios principales.
3. Con una integración total, la mayoría de las tareas las realizarían robots asistidos por IA, mientras que los agentes humanos solo asumirían el control en situaciones muy específicas y marginales.

Estas mejoras tendrán un enorme impacto en la reducción del costo de operación de los centros de contacto, así como en la mejora masiva de la calidad de las interacciones entre humanos y robots.

Caso de uso 3: Enriquece tus datos de RRHH

Los departamentos de Recursos Humanos suelen depender del esfuerzo humano para analizar a los posibles candidatos, generar comentarios para los empleados actuales y gestionar otras comunicaciones internas y externas. Como tal, hay un valor evidente en tener procesos estándar que pueden simplificarse y reducir las ineficiencias.

Ahora, será posible enriquecer esos procesos mediante el empleo de modelos lingüísticos de dos maneras:

• Lectura: Puede haber un gran volumen de información no estructurada que llegue a un departamento de recursos humanos a través de correos electrónicos y otros canales. Estos modelos se pueden aprovechar para tener un primer nivel de estructuración, resumen y categorización de los datos, de modo que el equipo pueda centrarse en los documentos que tienen mayor prioridad o mayor probabilidad de ajuste.
  Al reclutar, los currículos se pueden procesar en bases de datos estructuradas que son fáciles de filtrar para encontrar a los mejores candidatos. Como alternativa, los comentarios de los directivos pueden procesarse para obtener conclusiones clave que sean más fáciles de transmitir a los miembros más jóvenes del equipo
• Escritura: Por otro lado, los equipos de recursos humanos también tienen un gran volumen de información que necesitan transmitir, interna y externamente. Los modelos lingüísticos pueden ayudar a generar primeros borradores u otras sugerencias.
  Para fines de contratación, los candidatos rechazados pueden ser contactados automáticamente mientras se mantiene un grado de retroalimentación personalizada. Internamente, se pueden automatizar varias comunicaciones con distintos grados de personalización. El usuario puede proporcionar entradas clave y el resto del texto se generará automáticamente siguiendo las pautas previamente definidas.

Caso de uso 4: incorporar la perspectiva del cliente a la organización del producto

Otro caso de uso para las grandes empresas B2C es poder agregar funciones para organizar y segmentar los productos. La amplia variedad de estas empresas implica que mapear manualmente las categorías, los segmentos y las jerarquías de su línea de productos lleva mucho tiempo. Como resultado, el ejercicio de revisar la estructura del producto se deja para momentos muy específicos y excepcionales. Además, añadir SKU a la línea de productos suele implicar adaptar los nuevos productos a la estructura existente, lo que puede no ser lo ideal. Como resultado, las segmentaciones de productos suelen estar muy vinculadas a la estructura comercial e ignoran la percepción del cliente.

Ahora, podemos crear marcos sólidos para revisar la estructura del producto automáticamente, configurando cualquier frecuencia deseada. Además, dado que este nuevo marco se basa en un proceso automatizado, podemos agregar información y funciones adicionales para una segmentación aún más sólida.

Por lo tanto, podemos recopilar las descripciones de los productos, las características, las opiniones de los clientes e incluso otras variables comerciales cuantitativas para estructurar la línea de productos de una manera mucho más significativa y, al mismo tiempo, poder revisarla en cualquier momento.

Caso de uso 5: ERP

El último caso de uso que estamos cubriendo se refiere al uso de la IA generativa en las empresas que dependen de un ERP para la mayoría de sus procesos. En estos casos, los ERP tienen una gran cantidad de datos sobre los procesos que se están realizando, quién interactúa con el ERP y cuándo se realizan todas las operaciones.

Al aprovechar los registros del ERP, ahora podemos procesarlos de manera simplificada para obtener dos resultados muy relevantes:

• Diagnósticos — ¿Cómo se utiliza el ERP? ¿Hay problemas o retrasos recurrentes en procesos específicos que deberían abordarse?
  Disponer de una herramienta para analizar los procesos actuales ayudará a identificar los puntos débiles y las ineficiencias que, de otro modo, pasarían desapercibidos.
• Controles de cordura — ¿Los registros coinciden con lo que se ha mapeado y diseñado?
  Es común que los procesos reales se desvíen de su diseño. Actualmente, solo podemos identificar estas desviaciones y la falta de adopción mediante la interacción y el monitoreo humanos. Con la IA generativa, podemos crear modelos robustos para monitorear los procesos de la vida real y compararlos con su diseño ideal.

Conclusión

En resumen, La IA generativa cambia la forma en que las empresas aprovechan sus datos de texto y la forma en que interactúan con sus clientes. Ofrece la posibilidad de mejorar la calidad de las interacciones con los clientes y, al mismo tiempo, reducir los costos, así como potenciar y mejorar los procesos de toma de decisiones en varios equipos de una empresa.

Es un momento crucial para la innovación y el número de casos de uso se multiplicará a corto y medio plazo a medida que se investigue más. Contar con la experiencia necesaria es esencial para identificar e implementar los casos de uso relevantes y específicos de la empresa que proporcionarán una ventaja competitiva.