Una forma mejor de incorporar la IA

La idea en breve El problema Muchas empresas tienen dificultades para aplicar la IA y no consiguen las mejoras de productividad que buscan. Por qué ocurre Los ejecutivos no suelen dejar claro que están utilizando la IA para ayudar a las personas a aumentar la productividad y no para sustituirlas. Cómo solucionarlo Trate la adopción de la IA como un proceso de incorporación que consta de cuatro fases: La IA como asistente, como monitor, como entrenador y como compañero de equipo. En una encuesta realizada en 2018 por el Workforce Institute a 3.000 directivos de ocho países industrializados, la mayoría de los encuestados describió la inteligencia artificial como una valiosa herramienta de productividad. Es fácil ver por qué: La IA aporta beneficios tangibles en velocidad de procesamiento, precisión y coherencia (las máquinas no cometen errores porque están cansadas), razón por la que muchos profesionales confían ahora en ella. Algunos especialistas médicos, por ejemplo, utilizan herramientas de IA para ayudar a realizar diagnósticos y tomar decisiones sobre el tratamiento. Pero los participantes en esa encuesta también expresaron su temor a que la IA les quite el trabajo. No son los únicos. The Guardian informó recientemente de que más de 6 millones de trabajadores del Reino Unido temen ser sustituidos por máquinas. De estos temores se hacen eco académicos y ejecutivos con los que nos reunimos en conferencias y seminarios. Las ventajas de la IA pueden arrojarse bajo una luz mucho más oscura: ¿Por qué se necesitarían humanos cuando las máquinas pueden hacer un trabajo mejor? La prevalencia de estos temores sugiere que las organizaciones que pretenden aprovechar las ventajas de la IA deben tener cuidado a la hora de presentarla a las personas que se espera que trabajen con ella. Andrew Wilson, hasta enero de 2020 CIO de Accenture, afirma: "Cuanto mayor sea el grado de enfoque organizativo en que las personas ayuden a la IA y la IA ayude a las personas, mayor será el valor conseguido". Accenture ha descubierto que cuando las empresas dejan claro que están utilizando la IA para ayudar a las personas y no para sustituirlas, superan significativamente a las empresas que no fijan ese objetivo (o que no tienen claros sus objetivos en materia de IA) en la mayoría de las dimensiones de la productividad de gestión, en particular la velocidad, la escalabilidad y la eficacia de la toma de decisiones. En otras palabras, al igual que cuando se incorporan nuevos talentos a un equipo, la IA debe prepararse para el éxito y no para el fracaso. Un empleador inteligente forma a los nuevos contratados asignándoles tareas sencillas que les aporten experiencia práctica en un contexto no crítico y les asigna mentores que les ofrezcan ayuda y consejo. Esto permite a los recién llegados aprender mientras los demás se centran en tareas de mayor valor. A medida que adquieren experiencia y demuestran que pueden hacer el trabajo, sus mentores confían cada vez más en ellos como cajas de resonancia y les confían decisiones más sustanciales. Con el tiempo, el aprendiz se convierte en socio, aportando sus habilidades y su perspicacia. Jean-Baptiste Perrot Creemos que este enfoque también puede funcionar para la inteligencia artificial. En las páginas siguientes nos basamos en nuestra propia investigación y consultoría y en la de otros sobre la implantación de la IA y los sistemas de información, junto con estudios organizativos sobre innovación y prácticas laborales, para presentar un enfoque de cuatro fases para la implantación de la IA. Permite a las empresas cultivar la confianza de las personas -una condición clave para la adopción- y trabajar hacia un sistema cognitivo humano-AI distribuido en el que tanto las personas como la IA mejoren continuamente. Muchas organizaciones han experimentado con la fase 1, y algunas han avanzado a las fases 2 y 3. Por ahora, la fase 4 puede ser sobre todo un ejercicio de "proyección de futuro" del que vemos algunos primeros indicios, pero es factible desde una perspectiva tecnológica y proporcionaría más valor a las empresas a medida que se comprometen con la inteligencia artificial. Fase 1: El asistente Esta primera fase de incorporación de la inteligencia artificial se parece bastante al proceso de formación de un asistente. Usted enseña al nuevo empleado algunas reglas fundamentales y le cede algunas tareas básicas pero que consumen mucho tiempo que usted realiza normalmente (como archivar formularios en línea o resumir documentos), lo que le libera a usted para centrarse en aspectos más importantes del trabajo. El aprendiz aprende observándole, realizando las tareas y haciéndole preguntas. Una tarea común para los asistentes de IA es la clasificación de datos. Un ejemplo son los sistemas de recomendación que las empresas han utilizado desde mediados de los noventa para ayudar a los clientes a filtrar miles de productos y encontrar los más relevantes para ellos -Amazon y Netflix están entre los líderes de esta tecnología-. Cada vez más decisiones empresariales requieren ahora este tipo de clasificación de datos. Cuando, por ejemplo, los gestores de carteras están eligiendo valores en los que invertir, la información disponible es mucho mayor de la que un ser humano puede procesar de forma factible, y todo el tiempo aparece nueva información, que se añade al registro histórico. El software puede hacer que la tarea sea más manejable filtrando inmediatamente las acciones para que cumplan unos criterios de inversión predefinidos. El procesamiento del lenguaje natural, por su parte, puede identificar las noticias más relevantes para una empresa e incluso evaluar el sentimiento general sobre un acontecimiento corporativo próximo, tal y como se refleja en los informes de los analistas. Marble Bar Asset Management (MBAM), una empresa de inversión con sede en Londres fundada en 2002, es una de las primeras en utilizar este tipo de tecnologías en el lugar de trabajo. Ha desarrollado una plataforma de última generación, denominada RAID (Research Analysis & Information Database), para ayudar a los gestores de carteras a filtrar grandes volúmenes de información sobre acontecimientos corporativos, noticias de última hora y movimientos bursátiles. La IA es muy útil durante la toma de decisiones de gran volumen, cuando los humanos pueden estar cansados. Otra forma en la que la IA puede prestar ayuda es modelando lo que podría hacer un humano. Como habrá notado cualquiera que utilice Google, los prompt aparecen a medida que se teclea una frase de búsqueda. El texto predictivo en un smartphone ofrece una forma similar de acelerar el proceso de tecleado. Este tipo de modelado del usuario, relacionado con lo que a veces se denomina "bootstrapping de juicio", se desarrolló hace más de 30 años; puede aplicarse fácilmente a la toma de decisiones. La IA lo utilizaría para identificar la elección que un empleado tiene más probabilidades de hacer, dadas las elecciones pasadas de ese empleado, y sugeriría esa elección como punto de partida cuando el empleado se enfrente a múltiples decisiones, acelerando, en lugar de haciendo realmente, el trabajo. Veamos esto en un contexto específico. Cuando los empleados de una aerolínea deciden cuánta comida y bebida poner en un vuelo determinado, rellenan los pedidos de catering, lo que implica una cierta cantidad de cálculos junto con suposiciones basadas en su experiencia de vuelos anteriores. Tomar decisiones equivocadas acarrea costes: Hacer un pedido insuficiente conlleva el riesgo de disgustar a los clientes, que podrían evitar viajar en el futuro con la aerolínea. Hacer un pedido excesivo significa que la comida sobrante se desperdiciará y que el avión habrá aumentado innecesariamente su consumo de combustible. Un algoritmo puede ser muy útil en este contexto. La IA puede predecir lo que pediría el responsable de catering de la aerolínea analizando sus elecciones anteriores o utilizando reglas establecidas por el responsable. Este "autocompletado" de "pedidos recomendados" puede personalizarse para cada vuelo utilizando todos los datos históricos relevantes, incluido el consumo de comida y bebida en la ruta en cuestión e incluso el comportamiento de compra pasado de los pasajeros en el manifiesto de ese vuelo. Pero al igual que con la mecanografía predictiva, los usuarios humanos pueden sobrescribir libremente según sea necesario; siempre están en el asiento del conductor. La IA simplemente les ayuda imitando o anticipándose a su estilo de decisión. No debería ser una exageración para los directivos trabajar con la IA de este modo. Ya lo hacemos en nuestra vida personal, cuando permitimos que la función de autocompletar rellene formularios por nosotros en línea. En el lugar de trabajo, un directivo puede, por ejemplo, definir reglas específicas para que un asistente de IA las siga al cumplimentar formularios. De hecho, muchas herramientas de software utilizadas actualmente en el lugar de trabajo (como los programas de calificación crediticia) ya son precisamente eso: colecciones de reglas de decisión definidas por humanos. El asistente de IA puede perfeccionar las reglas codificando las circunstancias en las que el gestor las sigue realmente. Este aprendizaje no tiene por qué implicar ningún cambio en el comportamiento del directivo, y mucho menos ningún esfuerzo por "enseñar" al asistente. Fase 2: El monitor El siguiente paso consiste en configurar el sistema de IA para que proporcione retroalimentación en tiempo real. Gracias a los programas de aprendizaje automático, la IA puede entrenarse para predecir con exactitud cuál sería la decisión de un usuario en una situación determinada (en ausencia de lapsus de racionalidad debidos, por ejemplo, a un exceso de confianza o a la fatiga). Si un usuario está a punto de hacer una elección que es incoherente con su historial de elecciones, el sistema puede señalar la discrepancia. Esto es especialmente útil durante la toma de decisiones de gran volumen, cuando los empleados humanos pueden estar cansados o distraídos. La investigación en psicología, economía del comportamiento y ciencia cognitiva muestra que los humanos tienen capacidades de razonamiento limitadas e imperfectas, especialmente cuando se trata de problemas estadísticos y probabilísticos, que son omnipresentes en los negocios. Varios estudios (de los que uno de nosotros, Chen, es coautor) relativos a las decisiones judiciales descubrieron que los jueces conceden asilo político con más frecuencia antes de comer que después, que dictan sentencias de prisión más leves si su equipo de la NFL ganó el día anterior que si perdió, y que serán más benévolos con un acusado el día del cumpleaños de éste. Está claro que la justicia podría estar mejor servida si los responsables humanos de la toma de decisiones estuvieran asistidos por un software que les dijera cuándo una decisión que piensan tomar es incoherente con sus decisiones anteriores o con la decisión que predeciría un análisis de variables puramente jurídicas. La IA puede proporcionar ese tipo de información. Otro estudio (también con Chen como coautora) demostró que los programas de IA que procesan un modelo compuesto por variables jurídicas básicas (construido por los autores del estudio) pueden predecir las decisiones sobre asilo con una precisión aproximada del 80% en la fecha en que se abre un caso. Los autores han añadido funciones de aprendizaje al programa, lo que le permite simular la toma de decisiones de un juez individual basándose en las decisiones anteriores de ese juez. El enfoque se traslada bien a otros contextos. Por ejemplo, cuando los gestores de cartera (PM) de Marble Bar Asset Management se plantean decisiones de compra o venta que pueden elevar el riesgo global de la cartera -por ejemplo, aumentando la exposición a un sector o una geografía concretos- el sistema les alerta mediante una ventana emergente durante un proceso de transacción informatizado para que puedan ajustarse adecuadamente. Un PM puede ignorar esa retroalimentación siempre que se respeten los límites de riesgo de la empresa. Pero en cualquier caso, la retroalimentación ayuda al PM a reflexionar sobre sus decisiones. Por supuesto, la IA no siempre "acierta". A menudo sus sugerencias no tienen en cuenta alguna información privada fiable a la que tiene acceso el responsable humano de la toma de decisiones, por lo que la IA podría desviar a un empleado de su camino en lugar de limitarse a corregir posibles sesgos de comportamiento. Por eso su uso debería ser como un diálogo, en el que el algoritmo proporciona codazos según los datos de que dispone mientras que el humano enseña a la IA explicándole por qué anuló un codazo concreto. Esto mejora la utilidad de la IA y preserva la autonomía del decisor humano. Por desgracia, muchos sistemas de IA están preparados para usurpar esa autonomía. Una vez que un algoritmo ha marcado una transacción bancaria como posiblemente fraudulenta, por ejemplo, los empleados a menudo no pueden aprobar la transacción sin consultarlo con un supervisor o incluso con un auditor externo. A veces, deshacer la elección de una máquina es prácticamente imposible, una fuente persistente de frustración tanto para los clientes como para los profesionales del servicio de atención al cliente. En muchos casos, la justificación de una elección de IA es opaca, y los empleados no están en posición de cuestionar esa elección incluso cuando se han cometido errores. Por supuesto, la IA no siempre es "correcta". Por eso su uso debe ser como un diálogo. La privacidad es otro gran problema cuando las máquinas recopilan datos sobre las decisiones que toman las personas. Además de dar a los humanos el control en sus intercambios con la IA, necesitamos garantizar que cualquier dato que recoja sobre ellos se mantenga confidencial. Un muro debería separar al equipo de ingeniería de la dirección; de lo contrario, los empleados podrían preocuparse de que si interactúan libremente con el sistema y cometen errores, más tarde podrían sufrir por ellos. Además, las empresas deberían establecer reglas sobre el diseño y la interacción con la IA para garantizar la coherencia organizativa en las normas y prácticas. Estas reglas podrían especificar el nivel de precisión predictiva necesario para mostrar un codazo u ofrecer una razón para ello; los criterios para la necesidad de un codazo; y las condiciones en las que un empleado debe seguir la instrucción de la IA o remitirla a un superior en lugar de aceptarla o rechazarla. Para ayudar a los empleados a conservar su sensación de control en la fase 2, aconsejamos a los directivos y a los diseñadores de sistemas que les impliquen en el diseño: Involúcrelos como expertos para definir los datos que se utilizarán y determinar la verdad de base; familiarícelos con los modelos durante el desarrollo; y proporcióneles formación e interacción a medida que se despliegan esos modelos. En el proceso, los empleados verán cómo se construyen los modelos, cómo se gestionan los datos y por qué las máquinas hacen las recomendaciones que hacen. Fase 3: El entrenador En una encuesta reciente de PwC, casi el 60% de los encuestados afirmaron que les gustaría recibir comentarios sobre su rendimiento diaria o semanalmente. No es difícil entender por qué. Como afirmaba Peter Drucker en su famoso artículo de la Harvard Business Review ""Gestionarse a uno mismo", la gente no suele saber en qué es buena. Y cuando creen que sí lo saben, suelen equivocarse. El problema es que la única forma de descubrir los puntos fuertes y las oportunidades de mejora es mediante un análisis minucioso de las decisiones y acciones clave. Eso requiere documentar las expectativas sobre los resultados y luego, entre nueve meses y un año después, comparar esas expectativas con lo que realmente ocurrió. Así pues, la retroalimentación que reciben los empleados suele provenir de los superiores jerárquicos durante una revisión, no en el momento ni en el formato que elija el destinatario. Es una lástima, porque, como descubrió Tessa West, de la Universidad de Nueva York, en un reciente estudio neurocientífico, cuanto más sienten las personas que su autonomía está protegida y que tienen el control de la conversación -pueden elegir, por ejemplo, cuándo se da la retroalimentación- mejor responden a ella. La IA podría abordar este problema. Las capacidades que ya hemos mencionado podrían generar fácilmente retroalimentación para los empleados, permitiéndoles examinar su propio rendimiento y reflexionar sobre las variaciones y los errores. Un resumen mensual que analice los datos extraídos de su comportamiento pasado podría ayudarles a comprender mejor sus patrones de decisión y sus prácticas. Algunas empresas, sobre todo del sector financiero, están adoptando este enfoque. Los gestores de cartera de MBAM, por ejemplo, reciben información de un sistema de análisis de datos que capta las decisiones de inversión a nivel individual. Jean-Baptiste Perrot Los datos pueden revelar sesgos interesantes y variables entre los gestores de carteras. Algunos pueden ser más reacios a las pérdidas que otros, aferrándose a inversiones de bajo rendimiento más tiempo del que deberían. Otros pueden tener un exceso de confianza, asumiendo posiblemente una posición demasiado grande en una inversión determinada. El análisis identifica estos comportamientos y, al igual que un entrenador, proporciona información personalizada que pone de relieve los cambios de comportamiento a lo largo del tiempo, sugiriendo cómo mejorar las decisiones. Pero corresponde a los PM decidir cómo incorporar la retroalimentación. La dirección de MBAM cree que esta "mejora de la negociación" se está convirtiendo en un diferenciador esencial que ayuda a desarrollar a los gestores de carteras y hace que la organización sea más atractiva. Es más, al igual que un buen mentor aprende de las percepciones de las personas que están siendo mentorizadas, un "coachbot" de aprendizaje automático aprende de las decisiones de un empleado humano capacitado. En la relación que hemos descrito, un humano puede estar en desacuerdo con el coachbot, y eso crea nuevos datos que cambiarán el modelo implícito de la IA. Por ejemplo, si un gestor de cartera decide no negociar una acción destacada debido a los recientes acontecimientos de la empresa, puede dar una explicación al sistema. Con la retroalimentación, el sistema capta continuamente datos que pueden ser analizados para proporcionar ideas. Si los empleados pueden relacionarse y controlar los intercambios con la inteligencia artificial, es más probable que la vean como un canal seguro de retroalimentación que pretende ayudar en lugar de evaluar el rendimiento. Elegir la interfaz adecuada es útil para este fin. En MBAM, por ejemplo, las herramientas de mejora de la negociación -los visuales, por ejemplo- se personalizan para reflejar las preferencias de un PM. Al igual que en la fase 2, es esencial implicar a los empleados en el diseño del sistema. Cuando la IA sea un entrenador, la gente temerá aún más que le resten poder. Puede parecer fácilmente tanto un competidor como un socio, y ¿quién quiere sentirse menos inteligente que una máquina? Las preocupaciones sobre la autonomía y la privacidad pueden ser aún más fuertes. Trabajar con un entrenador requiere honestidad, y la gente puede dudar en ser abierta con uno que podría compartir datos poco favorecedores con la gente de RRHH. El despliegue de la IA en las formas descritas en las tres primeras fases tiene, por supuesto, algunos inconvenientes. A largo plazo, las nuevas tecnologías crean más puestos de trabajo de los que destruyen, pero mientras tanto los mercados laborales pueden verse dolorosamente perturbados. Es más, como argumenta Matt Beane en "Aprender a trabajar con máquinas inteligentes" (HBR, septiembre-octubre de 2019), las empresas que despliegan la IA pueden dejar a los empleados con menos oportunidades de aprendizaje práctico y tutoría. Cuando la IA es un tutor, puede parecer fácilmente tanto un competidor como un socio. Existe cierto riesgo, por tanto, no sólo de perder puestos de trabajo de nivel inicial (porque los asistentes digitales pueden sustituir eficazmente a los humanos), sino también de comprometer la capacidad de los futuros responsables de la toma de decisiones para pensar por sí mismos. Sin embargo, eso no es inevitable. Como sugiere Beane, las empresas podrían utilizar su inteligencia artificial para crear diferentes y mejores oportunidades de aprendizaje para sus empleados, al tiempo que mejoran el sistema haciéndolo más transparente y dando más control a los empleados. Dado que los futuros miembros de la plantilla habrán crecido en un lugar de trabajo de humanos más máquinas, es casi seguro que serán más rápidos que sus colegas anteriores a la IA a la hora de detectar oportunidades para innovar e introducir actividades que añadan valor y creen puestos de trabajo, lo que nos lleva a la fase final. Fase 4: El compañero de equipo Edwin Hutchins, antropólogo cognitivo, desarrolló lo que se conoce como la teoría de la cognición distribuida. Se basa en su estudio de la navegación de los barcos, que, según demostró, implicaba una combinación de marineros, cartas de navegación, reglas, brújulas y una herramienta de trazado. La teoría se relaciona ampliamente con el concepto de mente extendida, que postula que el procesamiento cognitivo, y los actos mentales asociados como la creencia y la intención, no se limitan necesariamente al cerebro, ni siquiera al cuerpo. Las herramientas e instrumentos externos pueden, en las condiciones adecuadas, desempeñar un papel en el procesamiento cognitivo y crear lo que se conoce como un sistema acoplado. De acuerdo con este pensamiento, en la fase final del viaje de implantación de la IA (que, por lo que sabemos, ninguna organización ha adoptado todavía) las empresas desarrollarían una red acoplada de humanos y máquinas en la que ambos aportarían su experiencia. Creemos que a medida que la IA mejore a través de sus interacciones con los usuarios individuales, analizando e incluso modelando a los usuarios expertos basándose en datos sobre sus decisiones y comportamientos anteriores, surgirá de forma natural una comunidad de expertos (humanos y máquinas) en las organizaciones que hayan integrado plenamente los coachbots de IA. Por ejemplo, un director de compras que -con un solo clic en el momento de la decisión- pudiera ver qué precio daría otra persona podría beneficiarse de un colectivo personalizado de expertos. Aunque la tecnología para crear este tipo de inteligencia colectiva ya existe, esta fase está plagada de retos. Por ejemplo, cualquier integración de IA de este tipo debe evitar incorporar sesgos antiguos o nuevos y debe respetar las preocupaciones sobre la privacidad humana para que las personas puedan confiar en la IA tanto como lo harían en un socio humano. Eso en sí mismo es un reto bastante grande, dado el volumen de investigaciones que demuestran lo difícil que es crear confianza entre los seres humanos. Los mejores enfoques para crear confianza en el lugar de trabajo se basan en la relación entre confianza y comprensión, un tema de estudio de David Danks y sus colegas de Carnegie Mellon. Según este modelo, confío en alguien porque comprendo los valores, deseos e intenciones de esa persona y me demuestra que tiene en cuenta mis intereses. Aunque la comprensión ha sido históricamente una base para crear confianza en las relaciones humanas, es potencialmente muy adecuada para cultivar también las asociaciones entre humanos e IA, porque el miedo de los empleados a la inteligencia artificial suele basarse en una falta de comprensión de cómo funciona la IA. Cuando la IA pierde el rumbo En 2016, la redacción de investigación ProPublica publicó un reportaje sobre un programa de IA de predicción de riesgos conocido como COMPAS, que los jueces del sur de Florida utilizan para determinar la probabilidad de que un acusado vuelva a delinquir en un periodo de tiempo determinado. El algoritmo subyacente al COMPAS es mantenido como secreto comercial por su fabricante, Northpointe (ahora Equivant), lo que significa que no sabemos cómo genera COMPAS sus predicciones, ni tenemos acceso a los datos con los que se entrena el algoritmo, por lo que ni siquiera podemos indagar en su fundamento. Cuando se informó de que el algoritmo produce resultados dispares según la raza, COMPAS se convirtió inmediatamente en un ejemplo destacado de por qué la gente no puede confiar en la IA. Si las empresas quieren que los empleados adopten, utilicen y, en última instancia, confíen en los sistemas de IA, será importante abrir la caja negra -en la medida en que sea legalmente posible- a quienes se espera que se relacionen con la tecnología. Como dice Richard Socher, científico jefe de Salesforce: "Si las empresas utilizan la IA para hacer predicciones, deben a los humanos una explicación de cómo se toman las decisiones". En la construcción de la comprensión, un reto particular es definir lo que significa "explicación", por no hablar de "buena explicación". Este reto es el centro de muchas investigaciones. Por ejemplo, uno de nosotros (Evgeniou) está trabajando para abrir las "cajas negras" del aprendizaje automático mediante las llamadas explicaciones contrafácticas. Una explicación contrafáctica ilumina una decisión concreta de un sistema de IA (por ejemplo, aprobar un crédito para una transacción determinada) identificando una breve lista de características de la transacción que impulsaron la decisión en un sentido u otro. Si alguna de las características hubiera sido diferente (o contraria al hecho), el sistema habría tomado una decisión distinta (se habría denegado el crédito). Evgeniou también está explorando lo que la gente percibe como buenas explicaciones de las decisiones de la IA. Por ejemplo, ¿consideran que una explicación es mejor cuando se presenta en términos de una combinación lógica de características ("La transacción se aprobó porque tenía X,Y,Z características") o cuando se presenta en relación con otras decisiones ("La transacción se aprobó porque se parece a otras transacciones aprobadas, y aquí están para que las vea")? A medida que continúe la investigación sobre lo que hace que la IA sea explicable, los sistemas de IA deberían ser más transparentes, facilitando así la confianza. CONCLUSIÓN Adoptar nuevas tecnologías siempre ha sido un reto importante, y cuanto más impacto tiene una tecnología, mayor es el reto. Debido a su impacto potencial, la inteligencia artificial puede percibirse como especialmente difícil de implantar. Sin embargo, si se hace con cuidado, la adopción puede ser bastante fluida. Precisamente por eso, las empresas deben asegurarse de que el diseño y el desarrollo de la IA sean responsables -especialmente en lo que respecta a la transparencia, la autonomía de decisión y la privacidad- y de que implique a las personas que trabajarán con ella. De lo contrario, temerán razonablemente verse limitados -o incluso sustituidos- por máquinas que toman todo tipo de decisiones de un modo que no comprenden. Superar estos temores para crear una relación de confianza con la IA es la clave. En las cuatro fases descritas en estas páginas, los humanos determinan las reglas básicas. Con un diseño responsable, la IA puede convertirse en un verdadero socio en el lugar de trabajo, procesando rápidamente grandes volúmenes de datos variados de forma coherente para potenciar la intuición y la creatividad de los humanos, que a su vez enseñan a la máquina. Nota del editor: Theodoros Evgeniou es asesor de Marble Bar Asset Management (una empresa de inversión mencionada en este artículo).

Una forma mejor de incorporar la IA

Resumen.

Partner Center