Hemos tenido ocasión en los últimos dos años de participar en el proyecto Retos, Afterdigital Consultants, junto con Eurecat y con Easyinnova, centro Tècnio de la UdG.
Para esta ocasión, hemos explorado sobre la aplicación de la inteligencia artificial y la tecnología blockchain en herramientas digitales de gestión de la innovación.
En los dos años de proyecto la mejora en estas tecnologías ha sido exponencial (¡imagino que la ley de Moore no solo aplica al hardware!) y nosotros mismos hemos tenido ocasión de participar en proyectos donde se aplica la inteligencia artificial a retos sociales del Ayuntamiento de Barcelona.
En Catalunya se ha creado el CIDAI, participado por los principales actores del sistema digital, y que tiene como objetivo la transferencia de esta tecnología y tejido industrial y a la sociedad en general.
Pero voy a centrarme en el proyecto, y sobre todo en las oportunidades que se abren a partir de ahora en el campo de la innovación. Veréis que hemos analizado cómo aplicar estas dos tecnologías en el funnel de innovación, y se ha desarrollado el software para implementarlo en la plataforma Induct, como base de pruebas. En un primer desarrollo, se ha implementado blockchain para la certificación de la autoría de proyectos e ideas, y se ha desarrollado un mecanismo de búsqueda inteligente, que sobre la base de datos CORDIS identifica tecnología aplicable a retos, ideas o proyectos de organizaciones. En esta misma fase, hemos implementado las dos herramientas en fase piloto en Transports Metropolitans de Barcelona en el clúster del ferrocarril y en FEMAC, clúster de la agricultura y la industria agropecuaria en Catalunya.
Potencial de futuro, innovación aplicada a los retos
Pero, más allá de los resultados que estamos evaluando en el momento del cierre del proyecto, es importante destacar las oportunidades que se abren para aplicar la Inteligencia Artificial en el proceso de innovación, y voy a poner ejemplos sólo en el proceso de captura y definición de retos.
Como ya he explicado en algún artículo anterior, el proceso de definición de retos es clave para garantizar la fiabilidad y la eficiencia en todas las fases de funnel. Si hemos identificado correctamente los retos, hemos priorizado aquellos que impactan más en los resultados de nuestra organización y exploramos correctamente los retos seleccionados, los procesos de creatividad, prototipado y desarrollo de proyectos va a tener una tasa de éxito más elevada.
Pero este proceso es laborioso y costoso, en términos de horas de personas expertas que identifican retos potenciales, los clasifican, priorizan y desarrollan por equipos. Por poner un ejemplo, durante la identificación de retos que hicimos con el equipo de TMBinnova identificamos más de 1000 retos, trabajando con 5 equipos de la empresa.
Es evidente que la gestión de esta información no es sencilla, y requiere de mucho esfuerzo por parte del equipo de innovación. Es por esto que vemos un potencial muy importante en aplicar la Inteligencia artificial a esta fase del funnel.
Tareas para Identificar & Desarrollar retos
Si se analizan las tareas necesarias para identificar y desarrollar los retos nos encontramos con dos variables relevantes:
- El origen de la información
- El tipo de tarea a realizar.
En ambos casos nos encontramos con dificultades: información no estructurada, lenguaje natural, información cualitativa, agrupación de información con parámetros no establecidos previamente y un largo etcétera.
¿En qué nos puede ayudar la Inteligencia Artificial con estos procesos y esta información? Vamos a ver algunos ejemplos:
1. Proceso de identificación de los retos
Captura de información interna de la empresa
Queremos analizar datos e información no estructurada que se genera directamente con la organización, como por ejemplo: incidencias o problemas identificados por los propios trabajadores, grado de consecución de los objetivos de la organización, KPI s de gestión, procesos, utilización de recursos…
Podemos aplicar la Inteligencia Artificial para rastrear los datos de la organización, información estructurada o no estructurada e identificar problemas mediante la comprensión del lenguaje.
Captura de información externa: clientes y otros stakeholders
Mirar alrededor nos permitirá identificar todos aquellos elementos relacionados con nuestros stakeholders. En este apartado se incluye desde el cliente, pasando por distribuidores, proveedores u organismos públicos, hasta nuestra competencia. Esta información es poco estructurada y puede ser desde notas del equipo comercial a comentarios de los propios clientes.
Podemos aplicar la Inteligencia Artificial para entender mejor a nuestros clientes o la relación con nuestros proveedores, distribuidores, mediante bots conversacionales.
Exploración externa de tendencias y tecnología
Mirar fuera nos permite capturar tendencias, tecnología emergente, ver cómo actúa la competencia o qué organizaciones están realmente innovando. En este campo ya disponemos de herramientas potentes al alcance, pero aquí el problema principal es identificar entre millones, aquella información que es relevante. La Inteligencia Artificial debe facilitar la identificación, organización y selección de la información que mejor se adapte a las necesidades de nuestra organización.
2. Clasificar y priorizar retos
Una vez disponemos de la máxima cantidad de información y con la calidad adecuada, debemos organizarla por retos. Es decir, clusterizar la información y priorizarla en base a parámetros que iremos definiendo en el propio proceso.
En este caso, podemos aplicar la Inteligencia Artificial para entender el contexto, agrupar y clasificar automáticamente, mediante Machine Reading Comprehension
3. Reformular los retos
Finalmente, una vez hemos seleccionado los retos que queremos solucionar, nos queda repetir el proceso anterior, pero en un entorno más acotado:
- Entender por qué es un reto para nuestra empresa (datos internos)
- Ver qué necesita el cliente respecto de este reto (captura de insights de clientes)
- Buscar soluciones externas
4. Resto del funnel
En el resto de las fases del funnel la Inteligencia Artificial también puede ser muy útil. Por ejemplo, para entender la respuesta de clientes respecto a los test con prototipos, selección de conceptos y validación de modelos de negocio.
Conclusiones
La principal conclusión es que, con la Inteligencia Artificial tenemos a nuestro alcance una herramienta que puede ayudar a mejorar la eficiencia de procesos de innovación. En los próximos meses van a aparecer soluciones que estarán al alcance de la mayoría de las empresas.
