¿Una “IA lean”?
El uso de la Inteligencia Artificial (IA) por parte de las empresas ya es una realidad incuestionable e inevitable en todo el mundo. Ni siquiera es ya una novedad.
En 2022, por ejemplo, IBM encargó y divulgó una encuesta que, entre otras cosas, reveló que, ya en aquella época, el 41% de las compañías brasileñas estaba implementando activamente la IA en sus negocios. Y que el 73% de los profesionales de TI de esas organizaciones estaba acelerando las inversiones en esa vertiente tecnológica.
Más recientemente, en marzo del año pasado, otro estudio, esta vez encargado por Microsoft, mostró que el 74% de las micro, pequeñas y medianas empresas entrevistadas, de diversos sectores, ya usaba IA. Y el 90% de ellas dijo que pensaba adoptarla con aún más intensidad en los próximos años.
La cuestión más importante en este momento, entonces, ya no es “si”, sino “cómo” usar la IA, digamos, de manera inteligente, con perdón de la redundancia. Y, sobre todo, sin repetir lo que ocurrió en los inicios de la Tecnología de la Información (TI), cuando se percibió que la gran mayoría de los proyectos de TI simplemente no traían los impactos y resultados prometidos.
En este contexto, en Lean Institute Brasil (LIB) estamos desarrollando y ejercitando prácticas orientadas a apoyar la implementación de la IA, pero bajo la óptica lean, garantizando que se use para reducir desperdicios, perfeccionar la capacidad gerencial, mejorar las condiciones de trabajo, apoyar la resolución de problemas y entregar más valor a los clientes. Sin tales directrices, las probabilidades de incurrir en inversiones innecesarias (o poco efectivas) aumentan mucho.;
El punto de partida debe ser siempre la simplificación. El objetivo mayor de la IA es hacer las cosas más fáciles, más directas y fluidas para los empleados y los clientes. Al simplificar etapas y procesos, aumentamos la eficiencia operativa y mejoramos la calidad de los servicios y productos, contribuyendo de manera más efectiva a los objetivos estratégicos de la organización.
Considerando la simplificación como objetivo fundamental para el uso de la IA, enumeramos a continuación conceptos y prácticas lean que pueden inspirarnos ante el desafío de usar la tecnología correcta, en el lugar correcto, en el momento correcto. Una “IA lean”.
La innovación en la gestión comienza ahora. No pierda la oportunidad de ser parte de ello – inscríbase en el Lean Summit 2025!
Valor para el cliente
Para que sea realmente lean, todo proyecto de IA, incluso antes de cualquier producción o implementación digital, debería comenzar con una comprensión clara y amplia de cómo la IA que se está diseñando podrá, concretamente, crear valor para los clientes.
Este fundamento lean también necesita respaldar de manera integral todas y cada una de las inversiones en IA. Utilizar tecnología sin entender, de manera transparente, cuál es el propósito que se tiene y cuál es el impacto que se quiere producir puede llevar a gastos innecesarios, es decir, más, mayores y nuevos desperdicios, además de frustraciones con resultados no alcanzados. Necesitamos ser capaces de mantener la perspectiva del “cliente final” como fiel de la balanza.
Por otro lado, si logramos, además de lo expuesto anteriormente, utilizar la inteligencia artificial para capturar comportamientos de consumo, “patrones de clics”, es decir, la experiencia del usuario, esto podría convertirse en retroalimentación relevante para los líderes y sus equipos para, por ejemplo, hacer los ajustes necesarios en productos y servicios, además de generar innovaciones más relevantes.
Eliminación de desperdicios
El uso de la IA puede tener un impacto tremendo en el rediseño de los procesos y en cómo necesita organizarse el trabajo humano. Esto significa dirigir esfuerzos para que todas y cada una de las etapas innecesarias a nivel de proceso se eliminen o minimicen, dirigiendo la capacidad humana hacia las actividades realmente importantes.
Un ejemplo clásico, con el que nos encontramos todos los días dentro de las empresas, son las redundancias. Etapas y actividades se repiten de diversas maneras, por varias personas, en departamentos distintos, sin que siquiera se perciba. Se trata de una excelente oportunidad para mapear y utilizar la IA para automatizar el trabajo, con el fin de eliminar superposiciones que solo nos roban tiempo y energía.;
En estos casos, se puede recurrir a la llamada “Automatización Robótica de Procesos (RPA)”, que se utiliza cada vez más para automatizar actividades cíclicas. Sin embargo, es necesario, una vez más, aplicar la visión lean ante los desafíos de automatización. Antes de cualquier intervención que involucre tecnología, se deben mapear cuidadosamente los flujos de valor para que se evidencien los puntos críticos.
Identificación de errores, fallas y defectos
Tal vez una de las contribuciones más prometedoras de la IA sea la capacidad de apoyarnos en la identificación de anormalidades. Uno de los conceptos más poderosos del modelo lean es la búsqueda incesante de la identificación y exposición de los problemas. Los propios orígenes del lean nos remiten a ese concepto.
El famoso “pilar jidoka”, inspiración que Toyota trajo de la fábrica de telares e incorporó profundamente en las prácticas de producción de vehículos, nos remite esencialmente a la capacidad que las máquinas y los equipos deberían tener para ser capaces de juzgar “autónomamente” si el producto tiene calidad o no.
En la era digital, con el apoyo de la IA, deberíamos ser capaces de alcanzar nuevos niveles de calidad, con costos decrecientes. Si nuestros sistemas, máquinas y equipos están diseñados para ayudarnos a distinguir errores, fallas y defectos, abriremos espacio para que la velocidad y la efectividad de las mejoras se impulsen enormemente. Por ejemplo:
En la detección y diagnóstico de anomalías: La IA puede programarse para monitorear constantemente los datos de producción o de servicio en tiempo real, detectando patrones que se desvían de lo normal. Los algoritmos de aprendizaje automático pueden identificar fallas, defectos o problemas de calidad antes de que se vuelvan más graves. Una vez detectado el problema, el sistema puede pausar automáticamente la operación en línea, siguiendo el “pilar jidoka”.
En el análisis predictivo: Utilizando grandes conjuntos de datos históricos, la IA puede prever fallas potenciales en equipos o procesos. Estas previsiones ayudan en el mantenimiento predictivo, que se alinea con el “jidoka”, al evitar interrupciones no planificadas y defectos de calidad, optimizando el tiempo de actividad del equipo y la eficiencia del proceso. La Industria 4.0 utiliza estos mecanismos a través de sensores RFID e IoT para capturar y recolectar los datos, y hace uso del Deep Learning para alimentar la IA con la intención de realizar análisis predictivos. Por ejemplo, en el caso de los autos autónomos de Nivel 5.
En la visión computacional: En líneas de montaje o en el control de calidad, la IA equipada con visión computacional (reconocimiento de imágenes) puede inspeccionar productos a velocidades mucho mayores y con mayor precisión que los humanos. Esto no solo mejora la detección de defectos, sino que también permite una intervención rápida, conforme a los principios del jidoka. Un caso muy conocido en la agroindustria es el rastreo de cultivos mediante drones equipados con cámaras y mecanismos de IA, por reconocimiento de imágenes, para detectar plagas, enfermedades y otros problemas de producción.
En la automatización responsiva: Los sistemas equipados con IA pueden programarse para tomar decisiones automáticas basadas en la información recolectada y analizada. Esto incluye no solo la detención del sistema cuando sea necesario, sino también sugerencias de ajustes en procesos o en configuraciones de máquinas y equipos para prevenir la recurrencia de defectos. En esta línea, tenemos como ejemplo la conocida entrega a producción de funcionalidades de un sistema o producto digital que, cuando se perfecciona con IA, puede configurarse para implementar planes de contingencia como el roll-back, en caso de detección de errores en la implementación, para proteger la última versión funcional de la solución.
En la retroalimentación y mejora continua: La IA puede ayudar a recolectar y analizar la retroalimentación de procesos y productos de forma continua, facilitando la mejora. Por ejemplo, si un problema específico se detecta con frecuencia, la IA puede analizar las causas raíz y sugerir cambios en el proceso o en el diseño del producto. Esto es muy común en las plataformas de streaming, como Netflix, donde la IA lee continuamente patrones de comportamiento y de visualización para ofrecer la mejor experiencia al usuario, presentando contenido compatible con cada individuo.
En la integración con sistemas corporativos: Al conectar la IA con sistemas de gestión empresarial (ERP, por ejemplo), es posible optimizar la respuesta a los problemas detectados. La IA puede generar automáticamente órdenes de servicio, ajustar cadenas de suministro o reajustar la programación de la producción. Actualmente, la declaración de estándares en el entorno digital se ve potenciada por la IA, dado que a partir de esos estándares se pueden establecer precondiciones y requisitos para mantener nivelada la entrega de valor en la rutina diaria.
Velocidad de la mejora y resolución de problemas
Hasta la llegada de la IA, hacer mejoras era una tarea exclusivamente humana. Pero tal vez estemos ante cambios profundos también en este aspecto. Como vimos en los temas anteriores, cada vez disponemos de más medios “autónomos”, capaces de identificar anomalías y señalar la existencia de problemas en tiempo real. Esto nos permite acelerar drásticamente el tiempo de respuesta a los problemas, aumentando la precisión de las intervenciones orientadas a la mejora de los procesos y de la organización del trabajo.
Revelar y resolver problemas sigue siendo una capacidad humana fundamental y tal vez nunca deje de serlo. Al fin y al cabo, siguen siendo personas reales las que tienen la responsabilidad de las decisiones y la mirada crítica sobre el desempeño y las necesidades del negocio. Sin embargo, una “IA lean” puede ayudar mucho en este desafío, y de una manera nunca imaginada.
Este tal vez sea un posible “estado ideal” de la dinámica de mejora, con la IA como gran aliada en la identificación de las brechas de desempeño en tiempo real, señalando caminos y alternativas de contramedidas. Que se vuelva responsiva y desarrolle la capacidad de autocorregir las inconsistencias a nivel de proceso. No solo analizando y proporcionando datos e información compleja, sino también “proponiendo” y “haciendo” las transformaciones necesarias.
Hacer la pregunta correcta
Actualmente, la mayoría de las interacciones entre humanos e IA se da a través de los llamados “prompts”, que se guían por comandos que enviamos a los robots con nuestras demandas específicas. En este contexto, es fundamental, por ejemplo, entender cómo hacer la “pregunta correcta” a las plataformas de IA – como ChatGPT, Gemini, Copilot y tantas otras.
Es necesario comprender cómo pensar y formular “prompts lean” que extraigan y analicen información de manera efectiva, además de ofrecer alternativas viables para iniciar, desarrollar y potenciar la solución de un determinado problema o desafío. Sin la pregunta correcta, tendremos respuestas imprecisas que pueden llevarnos a decisiones equivocadas.
Esto implica, incluso, entender en profundidad las necesidades de los clientes y sus respectivos puntos de “dolor”. En consecuencia, identificar los elementos estratégicos en los que la IA puede traer mejoras significativas. Luego, formular preguntas a la IA a partir de prompts específicos, claros y directos. Y evaluar, con base en las respuestas, cómo podemos refinar y alinear las prácticas gerenciales, contribuyendo a los objetivos estratégicos.
¿Una “IA lean”?
Discusiones profundas en una serie de grandes encuentros mundiales recientes sobre el tema – como Brazil at Silicon Valley, SXSW y South Summit – nos dan pistas del enorme potencial de una “IA lean" para transformar, de una manera nunca imaginada, la gestión de las empresas, la evolución de los mercados y las relaciones con los clientes.
Pueden, por ejemplo, personalizar las experiencias de los usuarios, prever necesidades futuras de los mercados y optimizar la entrega de servicios. Además, seguramente generarán nuevos modelos de negocio y crearán ventajas competitivas a través de la innovación continua y de la adaptación rápida a los cambios sociales. Lograrán traducir patrones de comportamiento para alinear aún más demandas específicas, configuraciones organizacionales y desarrollo de las personas, fortaleciendo los ecosistemas económicos.
En este contexto, es probable que, en un futuro próximo, veamos no solo un "sistema lean", sino un "sistema IA Lean", que integrará la gestión y la inteligencia artificial como partes esenciales e indivisibles de la operación y la gestión de una empresa.
Sus bases incluirían una integración profunda de la IA con los procesos y el trabajo humano, en una continua optimización y aprendizaje. También, generar estructuras adaptativas que permitan respuestas rápidas a los cambios, manteniendo el foco en la creación de valor. Y fortalecer un uso de datos y análisis cada vez más avanzados para respaldar decisiones estratégicas y operativas.
El futuro llegó. Las empresas necesitan entender cómo pensar y ejecutar la IA sobre bases lean. No es algo que todavía vaya a suceder. Tal vez ya estemos ante grandes palancas potenciales para acelerar el progreso.
