En este episodio de McKinsey Talks Operations, el anfitrión Christian Johnson entrevista al socio sénior Nicolai Müller y la socia Marie El Hoyek, de la Práctica de Operaciones de McKinsey (McKinsey’s Operations Practice). Juntos discuten el potencial de la IA generativa para cambiar las reglas del juego. Desde la automatización de procesos complejos hasta oportunidades sin precedentes en todas las industrias, descubra ideas sobre aumentos de productividad, consideraciones sobre sistemas y las capacidades vitales que las organizaciones necesitan para una integración exitosa.
La conversación ha sido editada para mayor claridad.
Más perspectivas de McKinsey en Español
Mire nuestra colección de artículos en Español y suscríbase a nuestro newsletter mensual en Español.
Christian Johnson: El futuro de su empresa exige operaciones ágiles, flexibles y resilientes. Soy su anfitrión, Christian Johnson, y están escuchando McKinsey Talks Operations, un pódcast en el que los líderes mundiales de la alta dirección y los expertos de McKinsey se abren paso entre el ruido y descubren cómo crear una nueva realidad operativa. En el momento de grabar este episodio, a finales de 2023, está claro que la inteligencia artificial (IA) generativa se ha convertido en el tema de las conversaciones sobre lo digital, la analítica y las operaciones. Esta nueva tecnología de aprendizaje profundo ya se está aplicando en toda la cadena de valor.
En el episodio de hoy, tengo el placer de contar con Marie El Hoyek, socia con sede en Londres, y Nicolai Müller, socio sénior con sede en Colonia. Juntos exploraremos qué es la IA generativa en las operaciones, en qué se diferencia de los gemelos digitales y otras tecnologías de IA, su potencial y sus riesgos. También veremos qué se necesita para empezar a utilizar estas herramientas. Nicolai, me da gusto tenerlo hoy aquí. Bienvenido.
Nicolai Müller: Gracias. Es un placer estar aquí, Christian.
Christian Johnson: Marie, encantado de que pueda compartir sus pensamientos con nosotros hoy. Gracias por venir.
Marie El Hoyek: Un placer, Christian.
Christian Johnson: Excelente. Nicolai, ¿puede contarnos un poco por qué cree que la IA generativa es digna de debate para los líderes de operaciones, especialmente ahora?
Nicolai Müller: En las últimas décadas, existía el mantra de ser más rápido, más eficiente e impulsar la productividad. Herramientas que todos conocemos, como lo esbelto, el offshoring, la revisión de las decisiones de hacer o comprar, y también a través de la tecnología, pero hoy en día vemos que esta mejora de la productividad se vuelve más compleja.
En este escenario, ahora tenemos una nueva tecnología: la IA generativa. Promete automatizar procesos que, en el pasado, eran difíciles de automatizar: áreas que están más relacionadas con la colaboración en la gestión, que actualmente operan los humanos, y también con datos complejos que hay que gestionar. Así que, en este contexto, cabe preguntarse: ¿hasta qué punto ayudará la IA generativa en la búsqueda de productividad?
El McKinsey Global Institute ha investigado esta cuestión y descubrimos que, sobre todo en las áreas de colaboración y gestión, alrededor del 50 por ciento de las actividades típicas ahora pueden automatizarse mediante la IA generativa. Además, cuando se trata de manejar datos complejos y sintetizar su esencia, creemos que hay un enorme salto en la automatización. Esto puede conducir a la creación de valor en todos las industrias y funciones –desde la industria farmacéutica a la automotriz, pasando por la maquinaria, y funciones de ingeniería, compras cadena de suministro hasta las operaciones con los clientes–, lo que puede desencadenar un valor tremendo. Hablamos de $3.5 a $4 billones de dólares, que es aproximadamente el PIB de Reino Unido.
Christian Johnson: Nicolai, ¿cuáles son algunas de las oportunidades más específicas en las que se están centrando sus clientes y usted ahora mismo?
Nicolai Müller: Donde veo que nuestros clientes actúan con rapidez es en el desarrollo de productos. Y si profundizamos en el desarrollo de productos, especialmente en la codificación de software, vemos un aumento de la productividad de hasta el 50 por ciento haciendo que una máquina produzca código a partir de la simple instrucción: "Por favor, deme el código de un programa que haga XY", y utilizando herramientas como ChatGPT y otras, se genera una solución. Esta es un área de aplicación en la que vemos que la IA generativa se convierte en copiloto de los humanos, ayudando en tareas que van desde la gestión de programas hasta las adquisiciones, y ayudando a los gestores de la cadena de suministro a desempeñar sus funciones con mayor eficacia.
Christian Johnson: Gracias Nicolai. Eso nos ha dado una gran idea del porqué y de algunas de las oportunidades. Ahora, entremos un poco más en detalle sobre qué es la IA generativa. Marie, ¿cómo la describiría?
Marie El Hoyek: La IA generativa es un campo fascinante y, como su nombre indica, existe en la intersección de la inteligencia artificial y el procesamiento del lenguaje natural. Esencialmente, se trata de una máquina que puede analizar algo, y ese algo ahora puede ser no estructurado, como el lenguaje o las imágenes. Al igual que una persona, la IA generativa consiste en enseñar a las máquinas a comprender y generar texto o contenido.
Ahora, para añadir un poco más de sabor, hablemos de las distintas generaciones de grandes modelos de lenguaje (large language models, o LLM). Estos modelos son la fuerza motriz detrás de lo que denominamos IA generativa. Uno de los primeros de los que oímos hablar fue el GPT-3, que significa transformador generativo preentrenado 3 (generative pretrained transformer 3). Cuando se introdujo, tenía 175 mil millones de parámetros. Piense en los parámetros como la cantidad de información que había aprendido, lo que le permitía generar textos que iban desde escribir cartas hasta responder preguntas, principalmente basadas en texto. Poco después se lanzó GPT-4, y vimos un salto de 175 mil millones a 170 billones de parámetros. Pensemos en cuánto más había aprendido, haciéndolo más fluido y preciso, y ahora también podría usarse para imágenes y vídeos.
Esta es la posibilidad transformadora de la IA generativa. Ahora podemos generar contenido nuevo en muchos tipos de espacios diferentes. Dicho esto, la IA generativa conlleva sus propios riesgos y desafíos. Si imaginamos que se basa en la lógica o las probabilidades, de manera muy similar al cerebro humano, las respuestas provienen de lo que hemos aprendido y de nuestras fuentes. Debido a este hecho, cualquier IA generativa puede darnos una respuesta convincentemente errónea, y esto es lo que llamamos alucinación.
Christian Johnson: Me encanta ese término. Pero ¿qué hacemos al respecto? ¿Cómo se mitiga?
Marie El Hoyek: Si una persona le respondiera basándose en información errónea, le diría: “Quiero que tu respuesta provenga de este libro específico”. Del mismo modo, podemos estimular mejor a la IA generativa diciéndole: “Quiero que me respondas a partir de este conjunto de datos o que me digas dónde estás adivinando”.
Otro riesgo es el sesgo del modelo. Imagine que el modelo o la persona ha aprendido del Internet como fuente, que no es el lugar más respetuoso o amable. Por lo tanto, siempre que utilice un modelo, debe ser capaz de contrarrestar estos sesgos e indicarle que no utilice fuentes inapropiadas o defectuosas, o cosas en las que usted no confíe. Otro riesgo importante es el de la propiedad intelectual. Si imaginamos que la IA generativa genera código para nosotros, ¿a quién pertenece ese código, a la IA generativa que lo generó o al solicitante que lo pidió? Estos detalles son algo que tendremos que resolver pronto.
Christian Johnson: Lo que aprecio aquí es el debate sobre los propios límites de las fuentes de datos. Eso es realmente importante, ¿verdad?
Marie El Hoyek: Es fundamental. Además, el hecho de que tengamos que guiar nuestros propios datos significa que debemos cuidarlos y garantizar su seguridad. De lo contrario, eso también es un riesgo añadido. Dicho esto, todos estos riesgos pueden mitigarse. Sin embargo, tenemos que ser conscientes de ellos, planificarlos o abordarlos de una manera que los limite para poder controlarlos. Por cierto, estamos siendo testigos de regulaciones y ofertas que empiezan a adaptarse a estos riesgos, y espero que veamos bastantes cambios en el futuro cercano.
Christian Johnson: Tan solo la evolución —la rápida expansión de 100 mil millones a 170 billones de parámetros— es realmente dramática. Creo que ahora nos gustaría saber cómo se está utilizando y qué casos de uso se están dando en las empresas. ¿Cuáles son algunos buenos ejemplos?
Nicolai Müller: Creo que es una pregunta que los clientes tienen que hacerse: ¿qué impacto quiero conseguir? Al final, tenemos que responder una gran pregunta y un desafío: cómo aumentar la productividad, lo que implica eficiencia y eficacia.
Cuando estudiamos casos de uso, intentamos explorar diferentes ángulos. Uno es la cuestión de la automatización. Cosas que actualmente llevan horas pueden hacerse en segundos. Pero también se trata del acrecentamiento (augmentation), cuando un humano solo puede trabajar con un determinado conjunto de datos. Imaginemos poder acceder a todos los datos del mundo que existen. Esta fue una de las grandes revoluciones; el Internet nos dio acceso a todos los datos. Ahora, con las máquinas, podemos usar y sintetizar esos datos. Entonces hablamos de acrecentamiento. Y luego vemos la innovación.
La innovación es la capacidad de idear soluciones completamente nuevas. No se trata solo de abaratar un producto existente o de acelerar su desarrollo, sino de generar ideas completamente nuevas para funciones y servicios. ¿Qué hemos visto? La automatización. Mencioné lo fascinado que estoy por lo que podemos hacer ahora en la codificación de software y en todo el campo de la ingeniería. También hemos escuchado, por ejemplo, al CEO de Nvidia decir: “La era del software ha terminado. Creo que les dijimos a todos nuestros hijos que aprendieran software; ahora te das cuenta de que el software lo puede hacer una máquina”. Es una enorme evolución la que vemos, pero no solo en el software.
Desarrollo de piezas y hardware. Sintetizamos una gran cantidad de requisitos que nos proporciona el cliente, solicitando a la IA generativa que comprenda cuáles son y en qué se diferencian del producto anterior. ¿Cómo varían los requisitos entre productos? ¿Son similares o diferentes? Esto ayudará a llegar a una mejor síntesis, a una mejor comprensión de los requisitos y a desarrollar productos mejores y más rápidos.
En lo que respecta al acrecentamiento en la industria farmacéutica y la investigación, creo que veremos un aumento enorme de la eficacia, la producción y la investigación. Tenemos casos en el sector farmacéutico en los que podemos imaginar la comprensión de cada pequeña molécula, qué tipo de efecto tiene y cómo reacciona con otras moléculas. Es algo fundamental. Por eso vemos que las vacunas u otros productos farmacéuticos se desarrollan más rápido de lo que tradicionalmente se esperaba gracias a la IA generativa. Este acrecentamiento conduce a un mejor tipo de solución.
En cuanto a la innovación, puede que también hayan visto a un famoso fabricante de equipos originales (original equipment manufacturer, u OEM) alemán en Estados Unidos que ha integrado ChatGPT en sus productos, para que podamos interactuar y hablar con el coche. Esto es innovación. Pero, Marie, usted también ha trabajado conmigo en este espacio. ¿Qué ha visto?
Marie El Hoyek: Mi formación es industrial, muy metida en operaciones. Personalmente, me encantan todas las aplicaciones de copiloto, sobre todo en el área de adquisiciones. La idea de que podamos preguntarle a un amigo que conoce todos nuestros contratos y que pueda responder a cualquier pregunta de memoria, y en un inglés sencillo, me parece alucinante. Así, en lugar de analizar los contratos antiguos, el historial de precios y las tendencias externas, puedo simplemente hacer las preguntas. Estoy segura de que hay muchas más aplicaciones interesantes en términos de generación de contenido, etcétera, pero esta, en particular, me voló la cabeza.
Nicolai Müller: Y Marie, lo que he observado son estas enormes oportunidades ahí fuera y los numerosos casos de uso. Es decir, hemos estado en talleres con nuestros clientes y, después de una o dos horas, no acabamos con solo cinco o seis posibles casos de uso en funciones completamente distintas, sino con 150 o más. Veo aquí una gran oportunidad, pero el reto al que nos enfrentamos es: ¿por dónde empezar? Lo que yo llamo “una IA generativa feliz”, en la que un copiloto puede ayudarnos en nuestro trabajo diario, puede convertirse en un producto básico que todo el mundo puede hacer. ¿Dónde está la IA generativa realmente transformadora? ¿Se está convirtiendo en un factor diferenciador para su empresa? ¿Realmente añade y crea valor para sus clientes?
Creo que este es el desafío al que nos enfrentamos. Como decimos en Alemania, no ves el bosque por la cantidad de árboles que tienes delante. Así que, ¿por dónde empezar y por dónde terminar?
Christian Johnson: No se puede ver el bosque por los árboles. Así es exactamente. Cuando oigo todo este entusiasmo, también pienso en la clásica gráfica que hemos visto para las tecnologías en general, en la que tenemos una pronunciada curva ascendente inicial, cuando todo el mundo está muy entusiasmado con ella. Me parece que lo que usted quiere decir es que debemos anticiparnos a cuando las organizaciones descubran, como usted dice, que se ha convertido en un producto básico o que es difícil. Y eso nos lleva al valor. ¿Cómo piensan las empresas en el valor a largo plazo y no solo en un conjunto de casos de uso muy interesantes que pueden no avanzar mucho?
Nicolai Müller: Es una pregunta difícil. Si nos fijamos en el índice de búsqueda de Google, que nos da una idea de en qué punto de la curva nos encontramos, veremos que ahora se busca en Google más que cualquier otra pregunta operativa tradicional que tengamos. Hemos visto todos los términos de fabricación digital que existen. Tenemos la computación en la nube y el Internet de las cosas que hemos visto a lo largo de los años, y es un debate constante.
La IA generativa en las operaciones acaba de empezar a despegar, diría yo, en el primer trimestre de este año. Y, en términos de la cantidad de búsquedas que la gente está haciendo, ha superado todo lo que podamos imaginar. Esto puede ser un indicio de que hay una gran expectación. Pero ¿se han hecho realidad ya este entusiasmo y todos los sueños? De hecho, la gente está empezando a reconocer que las cosas son fáciles, como los frutos que cuelgan al alcance de la mano, pero en realidad, el verdadero núcleo sigue siendo un reto para implementar y también para lograr que su empresa se adapte a los cambios. Así que todavía estamos a punto de responder una pregunta importante en lo que respecta a la IA generativa: ¿es ahora solo otro kit de herramientas más en nuestras operaciones, como lo esbelto o lo digital o cualquier otra inteligencia artificial –es decir, el mantenimiento predictivo–, y permite palancas que pueda accionar? ¿O es una disrupción en sí misma? ¿Está cambiando su forma de operar? Creo que estos son dos escenarios que puedo imaginar.
Tiendo a creer que en los próximos dos o tres años veremos la respuesta a estas dos preguntas. Y el resultado puede diferir completamente de un actor a otro o de un sector a otro. Hablemos de la disrupción. Imaginemos que codificar ahora es fácil. A menudo, por ejemplo, un OEM automotriz define los requisitos y luego un proveedor programa más o menos el código. Si ahora ese código puede ser programado por una máquina, ¿todavía se necesita un proveedor? Puede ser perturbador y amenazador decir que la razón de ser, o la razón de existir del proveedor, ha desaparecido. Este es el extremo de la disrupción.
Por ejemplo, para una empresa que se dedique mucho a la investigación, de repente, si se accede a fuentes de datos completamente nuevas, se llega a un conjunto de productos completamente nuevo. Y encontrar el modelo de lenguaje que más le convenga adoptando la IA generativa de manera diferenciadora puede ayudarle a avanzar más rápido y con mejores productos. Creo que esta es la pregunta más apremiante que los clientes deben responder.
Christian Johnson: Creo que una de las cosas con las que estamos luchando —y con la que las organizaciones parecen luchar siempre cuando se trata de una nueva tecnología o metodología— es ¿cómo se escala? Hace años hablamos del purgatorio piloto, esa idea de que se prueban un montón de propuestas, pero luego nunca logran una coherencia que genere un valor duradero. Entonces, ¿cómo pueden las organizaciones pensar en esto de manera que puedan minimizar o incluso eviten ese tipo de estancamiento con esta idea?
Marie El Hoyek: Es una buena pregunta, Christian. Puede que la IA generativa sea relativamente nueva, pero tenemos años de experiencia en escalar transformaciones digitales. En cuanto a lo que dice, uno de los mayores retos es la trampa del piloto. Crear un piloto o innovar con la tecnología es fantástico, pero transformar una organización es un asunto completamente distinto.
Nicolai habló de la mentalidad empresarial para dar prioridad a las aplicaciones que sean útiles con un retorno de la inversión (ROI) empresarial real. Más allá de eso, lograr un impacto real de cualquier cambio digital, y de la IA generativa en particular, siempre será una cuestión tanto humana como de sistemas. Yo lo resumiría así: sin las personas, la mejor tecnología no tiene impacto. Necesitamos llevar a nuestra gente en un viaje de cambio real para construir las capacidades para utilizar esa tecnología, desarrollarla, pero también solo para saber lo que se puede pedir de esta tecnología. Y, por cierto, en términos de desarrollarla, se necesitan nuevas habilidades.
Christian Johnson: ¿Qué tipo de capacidades necesitan las organizaciones ahora?
Marie El Hoyek: Estoy pensando en la ingeniería de preguntas (prompt engineering), por ejemplo, que es la capacidad de hacer una pregunta muy, muy bien. La segunda capacidad es en términos de sistemas. Hay cuestiones fundamentales que las empresas deberían plantearse desde el principio para asegurarse de que, decidan lo que decidan, la tecnología se use de forma capaz, coherente y segura. No queremos acabar con diez decisiones diferentes sobre la tecnología porque los pilotos van a diestra y siniestra.
Así que se preguntará: ¿construimos nuestros propios modelos de lenguaje? ¿Trabajamos con socios? ¿Compramos soluciones listas para usar? ¿Dónde ponemos nuestros datos? ¿Cómo los procesamos? Estas preguntas es mejor responderlas pronto, y hay que tomar una decisión consciente al respecto para garantizar que más adelante, a medida que se utilice más y más la IA generativa, la solución sea segura, escalable y coherente. Así que, para mí, es tanto el elemento humano como el elemento de los sistemas lo que nos permitirá llegar a la meta.
Christian Johnson: Excelente. Muchas gracias. Nos acercamos al final de nuestro debate. Pero antes de concluir, me gustaría hacer una última pregunta: ¿qué debería hacer ahora nuestra audiencia para llevar la IA generativa a sus organizaciones? Hay mucho ruido ahí fuera. Tenemos una idea clara de ello con las búsquedas de Google. Entonces, ¿cómo se empieza a avanzar y a tener un comienzo sólido?
Nicolai Müller: Yo recomendaría dos cosas. La primero es empezar con un piloto, e incluso usaría el término “jugar” con la IA generativa. El costo de no hacer nada es demasiado alto, porque todo el mundo tiene esto entre sus prioridades. Creo que es el único tema que todos los consejos de administración han estudiado, que todos los CEOs han explorado en todas las regiones e industrias. Por eso es importante empezar y ver qué puede hacer la IA generativa.
Paralelamente, hay que pensar en la estrategia. Cuando hablo de estrategia, esto incluye un par de elementos. La cuestión es: ¿cómo afectará esto a mi negocio? ¿Dónde conducirá a mejoras? ¿Dónde no conducirá a mejoras? ¿Debería ir rápido? ¿No debería ir rápido? ¿Tengo soluciones disponibles? ¿Necesito socios? ¿Puedo confiar en los LLM existentes o debería crear el mío propio? Creo que esta es toda la cuestión de entender realmente lo que significará la IA generativa en tres a cinco años para nosotros.
Luego, hay una capa en la estrategia que consiste en acertar con la tecnología de datos. Se trata de entender cómo se quiere implementar la gobernanza y la organización para generar soluciones. Y surge la pregunta: ¿de dónde proceden realmente las competencias de mi empresa? ¿Puedo crearlas? ¿Tengo que adquirirlas? Por lo tanto, hay que reflexionar sobre toda la cuestión de las competencias necesarias.
Y luego está la cuestión de hacer realmente el cambio. A menudo escuchamos que esto es lo más importante. Hay que hacer que la gente trabaje con la IA generativa. Hay que lograr las primeras victorias, pero también enfrentar las cosas que son más difíciles.
Christian Johnson: Excelente. Y Marie, ¿hay algo que quiera añadir?
Marie El Hoyek: Sí, Christian. Nicolai, la última vez que hablamos, mencionó un nuevo soplo fresco de innovación en nuestras empresas, y me encanta repetirlo. Podemos verlo incluso en nuestro debate. Esto nos da la capacidad de soñar nuevamente, de idear cosas nuevas y de esperar un mayor impacto. Y creo que, hasta cierto punto, solo tenemos que aprender, empezar a hacerlo y a capturarlo.
Christian Johnson: Es un final precioso, Marie. Gracias a ambos, Nicolai y Marie, por compartir sus conocimientos y experiencias sobre la IA generativa. Es un tema que no creemos que vaya a desaparecer pronto. Por lo tanto, su consejo de sumergirse, pero con los ojos abiertos a la mitigación de riesgos y la creación de valor, es una excelente nota para terminar.