Analicemos un proceso de cinco pasos planteado por Reforge para reducir los riesgos de los productos de Inteligencia Artificial y poner las probabilidades de un ajuste al mercado a nuestro favor.
Paso 1: Definir y priorizar nuestros casos de uso
Un producto es un conjunto de funciones que satisface un caso de uso: lo que se refiere a la(s) razón(es) principal(es) por la(s) que las personas eligen nuestro producto.
Los casos de uso se componen de cinco preguntas:
- ¿Qué problema estamos resolviendo? (Considerando los trabajos por hacer de clientes)
- ¿Quién usa nuestro producto?
- ¿Por qué lo usan?
- ¿Cuál es la alternativa si no existiríamos?
- ¿Con qué frecuencia lo usan?
Tomemos como ejemplo un equipo de producto de Amazon Fresh: el equipo identifica a través de investigación de usuarios que los clientes pasan una cantidad excesiva de tiempo reabasteciendo los mismos artículos en sus hogares, resumido en el caso de uso de ‘Reabastecimiento’ a continuación.
La mayoría de los productos tienen múltiples casos de uso. Pero cuando se trata de escalar con IA, la priorización de casos de uso basada en lo que es más frecuente y más importante para los usuarios es un marco comprobado para abordar el problema de arranque en frío que impide que los modelos de IA se «calienten» lo suficiente con entrenamiento de datos de calidad necesarios para ofrecer buenos resultados a los usuarios.
Paso 2: Formular una hipótesis de producto 10x
Una vez que hayamos priorizado nuestro(s) caso(s) de uso, consideremos cómo podríamos aprovechar la IA para impulsar una mejora de cambio radical (Que no solo mejora un proceso, sino que lo transforma, logrando un gran impacto). Aquí hay algunas categorías de propuestas de valor habilitadas para IA:
- Proactividad: ¿Podemos anticipar las necesidades del cliente?
- Personalización: ¿Podemos entregar información relevante?
- Personalidad: ¿Podemos inyectar vida a las interacciones de la marca?
- Automatización: ¿Podemos reducir el tiempo y el esfuerzo?
- Accesibilidad: ¿Podemos permitir interacciones multifacéticas y fluidas?
El objetivo es identificar soluciones que sean significativas, no solo incrementalmente mejores que aquellas disponibles en el mercado, para superar así los costos de cambio necesarios para facilitar la formación de hábitos.
El equipo de Amazon plantea un par de hipótesis para el caso de uso de re abastecimiento:
«Creemos que la retención de suscripciones aumentará 100% si…
- – …a los usuarios pueden tener la conveniencia y el ahorro de costos de la suscripción sin sentir que perderán el control y terminarán con demasiados artículos.
- – …a los usuarios se les indica proactivamente que se suscriban a los artículos que compran con frecuencia con una proyección de ahorro de costos de un año».
Paso 3: Verificar nuestras suposiciones más arriesgadas
Antes de construir nada, es esencial recopilar comentarios de los usuarios sobre nuestra hipótesis de producto. Esto debe ser una mezcla de información cualitativa de clientes y el comportamiento real cuantitativo de clientes. Juntos, estos nos dan una mejor idea de si nuestra idea puede resolver un problema real para personas reales.
Caso de uso de IA: Amazon Fresh
Continuando con el ejemplo de Amazon Fresh, el equipo asume que una función de suscripción predictiva aumentará los ingresos y facilitará la vida de los clientes. Pero el equipo necesita validar esos supuestos primero. Su proceso de investigación confirma que la mayoría de las personas dudan en poner su pedido de detergente para ropa en piloto automático, de lo contrario podrían terminar con demasiado.
Los productos de IA tienen consideraciones especiales en los tres tipos de riesgos:
1. Riesgo del cliente: ¿Estamos resolviendo un problema real?
- ¿La función presenta una solución significativamente mejor o es algo técnicamente interesante?
- ¿Existe el potencial de que sesgos impacten las experiencias de ciertos usuarios?
2. Riesgo comercial: ¿Será esto rentable?
- ¿La función se basa y mejora los conjuntos de datos exclusivos de su organización?
- ¿Estamos preparados para los costos iniciales y continuos de las operaciones de aprendizaje automático (anotación y reentrenamiento)?
3. Riesgo tecnológico: ¿Es esto factible en términos de proceso, software y hardware?
- ¿Tenemos un conjunto de datos de capacitación lo suficientemente amplio para la inferencia del modelo?- ¿Podemos ofrecer un rendimiento predictivo en función de las necesidades de nuestro caso de uso?
CONOCE NUESTRO PROGRAMA DE PRODUCTIVIDAD Y PROYECTOS DE IAG EXCLUSIVO PARA EQUIPOS EMPRESARIALES
AYUDAREMOS A TU EQUIPO A INTEGRAR DE MANERA EFECTIVA LA INTELIGENCIA ARTIFICIAL GENERATIVA EN LA PLANIFICACIÓN DE TU ORGANIZACIÓN
Paso 4: Validar iniciativas con prototipado rápido.
Es hora de materializar nuestra idea con un prototipo o producto mínimo viable. No estamos preparándonos para el producto o lanzamiento perfecto, solo necesitamos encontrar el camino más rápido para obtener retroalimentación válida, fruto de aprendizajes del comportamiento humano en el mundo real.
Eso significa volverse astuto y crear un bucle de aprendizaje que sea lo más corto posible y permita aprender o mejorar después de cada iteración, agregando datos al modelo, evaluándolos y accionando mejoras o ajustes.
En el caso de Amazon Fresh, podríamos prototipar un bot de suscripción con algunos agentes que trabajarían con un pequeño grupo de clientes piloto que representen el perfil de early adopter que identificamos en el paso uno.
A partir de aquí, el equipo obtiene dos aprendizajes clave:
- El 37% de los usuarios en el grupo piloto tuvieron un momento de alegría cuando el bot volvió a consultarles antes de enviar un artículo.
- El 21% de los usuarios se inscriben cuando el bot les pregunta si quieren suscribirse a un artículo que compran con frecuencia.
El equipo está en camino de desarrollar un ajuste de producto al usuario, una comprensión nítida de tener el producto adecuado para el usuario adecuado, todo sin configurar una compleja infraestructura de IA.
Paso 5: Lanzar nuestro producto mínimo adorable
El producto mínimo adorable (PMA) es un término acuñado por Amazon para un producto con suficientes características para que los early adopters lo adoren, no solo lo toleren. Esto contrasta con un producto mínimo viable (PMV / MVP), que requiere la menor cantidad de esfuerzo para recopilar aprendizajes.
Caso de uso de IA: Notion AI
La empresa de proyectos y anotaciones Notion AI integró GPT-3 para ayudar a los usuarios a agilizar tareas tediosas como crear agendas de reuniones y escribir descripciones de trabajo, todo dentro de la plataforma Notion que los usuarios conocen y aman.
Caso de uso de IA: Amazon Fresh
Cerrando el ejemplo de Amazon, la etapa de prototipado generó aprendizajes clave sobre cómo debe ser un PMA totalmente automatizado para un caso de uso específico. Con base en esto, Amazon puede construir un PMA aprovechando una oferta de SaaS (como AWS Lex) para iniciar pruebas escaladas de su experiencia. Esto inicia los procesos de capacitación y recolección de datos para que el equipo pueda generar mejoras de producto con el tiempo.
Conclusiones
Identificar casos de uso que sean frecuentes y cuenten con oportunidad de mejora tanto en la perspectiva de experiencia de clientes, así como en el modelo operativo y que representan un cambio positivo comparado con las alternativas actuales, es el punto inicial y reto mayor con el que cuentan los proyectos de innovación y particularmente, los relacionados con la inteligencia artificial.
La experimentación, como parte de la cultura y estilo de gestión, impacta en el comportamiento y acciones del equipo, permitiendo impulsar y cuestionar hipótesis para que a través de los datos puedan ser probadas o negadas y avanzar a la materialización de experimentos. Solo a través del prototipado y de la retroalimentación, podemos probar hipótesis, desarrollar aprendizaje y lograr lanzamientos de impacto para cualquier tipo de proyecto que involucre cambios, mejoras e innovación.
CONOCE NUESTRO PROGRAMA DE PRODUCTIVIDAD Y PROYECTOS DE IAG EXCLUSIVO PARA EQUIPOS EMPRESARIALES
AYUDAREMOS A TU EQUIPO A INTEGRAR DE MANERA EFECTIVA LA INTELIGENCIA ARTIFICIAL GENERATIVA EN LA PLANIFICACIÓN DE TU ORGANIZACIÓN
Continúa analizando las oportunidades y modelos de gestión de iniciativas de inteligencia artificial generativa en las siguientes publicaciones:
Inteligencia Artificial y Transformación Empresarial
Superando barreras en el lanzamiento de iniciativas de inteligencia artificial generativa.
La curva de supervivencia de IA: dónde viven las oportunidades lucrativas.
Tipos de Inteligencia, consideración y alucinaciones con inteligencia artificial
