En apenas unos años, la IA generativa ha cambiado el panorama de la analítica empresarial, en especial al ponerla al alcance de los usuarios de toda la organización. La IA agéntica promete ir todavía más lejos al automatizar flujos de trabajo completos y tomar medidas basadas en las conclusiones de los agentes. Pero hay un problema: la calidad de las conclusiones que generan actualmente los agentes deja mucho que desear.
Menos de la mitad de las conclusiones generadas por agentes en las organizaciones encuestadas para este informe se traducen en mejoras para el negocio. Y, si bien la mayoría de los encuestados elogia la calidad de las conclusiones descriptivas de sus agentes, las valoraciones sobre sus conclusiones prescriptivas —aquellas en las que se basan las acciones— son claramente dispares.
No generar insights que mejoren el negocio priva a las organizaciones del retorno de la inversión esperado en la analítica agéntica. Peor aún: unos insights erróneos que desencadenen acciones equivocadas pueden causar daños económicos o reputacionales. Este informe evalúa cómo perciben las empresas la calidad de los resultados generados por sus agentes analíticos y analiza de qué manera las organizaciones buscan aumentar la calidad de dichos insights y lograr que sus agentes rindan más para el negocio.
Entre las principales conclusiones del informe destacan las siguientes:
La analítica agéntica apenas está empezando a dar resultados. De media, el 48 % de los hallazgos generados por los agentes de analítica en las empresas encuestadas derivan en acciones que mejoran el negocio. Esto supone un avance notable respecto a la media del 37 % que, según los encuestados, generaba este tipo de acciones hace un año. Sin embargo, significa que más de la mitad de los hallazgos generados hoy en día por los agentes de analítica todavía no consiguen ayudar a las empresas.
Una mayor calidad de los insights se traduce en una clara ventaja empresarial. En un reducido grupo de organizaciones, a las que denominamos «líderes en insights», los agentes de IA ofrecen un rendimiento muy superior a la media. En este colectivo, más del 70 % de los insights generados por los agentes conducen a acciones que mejoran el negocio. Estos líderes en insights también valoran la calidad de los insights de sus agentes con puntuaciones más altas que el conjunto de los encuestados. La brecha de calidad es especialmente amplia en lo que respecta a los insights prescriptivos.
Un contexto insuficiente reduce la calidad de los insights. Cuando los agentes de analítica ofrecen insights de calidad deficiente, el motivo principal es la falta de contexto empresarial, según señala el 55 % de los directivos encuestados. Los datos fragmentados o inaccesibles constituyen el otro factor determinante, según el 45 %. Menos líderes de análisis afirman que sus agentes tengan dificultades para acceder al contexto.
La sobrecarga de insights limita aún más la eficacia de los agentes. En la mayoría (52 %) de las organizaciones encuestadas, los agentes de analítica generan demasiados insights como para poder evaluarlos adecuadamente y, en consecuencia, actuar a partir de ellos. Menos de una cuarta parte (24 %) es capaz de evaluar todos los insights que producen los agentes; la mayoría lo hace caso por caso, y en la actualidad se trata de un proceso que requiere una intensa intervención humana.
La gobernanza y la semántica son áreas prioritarias para mejorar los análisis. Las empresas encuestadas están priorizando iniciativas que permitan a los agentes generar mejores análisis reforzando la gobernanza de la IA y de los datos (citado por el 60 %). Asimismo, están incorporando una capa semántica a su arquitectura de datos (45 %). Los expertos a los que hemos entrevistado coinciden en que la capa semántica es fundamental para garantizar agentes de alto rendimiento.
Este contenido ha sido elaborado por Insights, la división de contenido personalizado de MIT Technology Review, y no por su equipo editorial. Ha sido investigado y redactado por personas, y cualquier herramienta de IA que se haya podido utilizar se ha limitado a procesos de producción bajo supervisión humana.