El pasado jueves tres de octubre se llevó a cabo el evento Summit Market Science de CSA, en el que Juan Damia, CEO de CSA del Grupo Havas, junto a referentes de la industria, abordaron distintos temas relacionados con la inteligencia artificial y el uso eficiente de datos, entre otros.
Tuvimos la oportunidad de hablar con Damia, quien compartió su visión sobre el rol de Chile en el ámbito de la inteligencia artificial en América Latina, destacando al país como líder regional, especialmente en el desarrollo de talento en esta área. Además, habló sobre las proyecciones de crecimiento de la compañía y la importancia de retener a los profesionales chilenos en un mercado en rápida expansión.
1- ¿Por qué es interesante el mercado chileno para CSA?
Bueno, justo estamos hoy presentando unos datos de mercado. Según la organización que nuclea la práctica de AI en América Latina, Chile es el país número uno en inteligencia artificial de la región, y no solamente en cuanto a las prácticas, sino principalmente en el desarrollo de talento. Lo que hemos notado en Chile es que la mayoría del talento chileno que se desarrolla en prácticas de IA tiende a irse del país para trabajar en otros lugares. Entonces, lo que queremos hacer, por supuesto, es no solo desarrollar actividades aquí, sino también tener clientes en Chile y expandirnos, porque es un mercado avanzado, pero también porque hay talento aquí que no queremos que se vaya a otro lado. Queremos que el talento se mantenga aquí y apostar a que sean los que construyan el futuro de Chile.
2- ¿Cuáles son las proyecciones de CSA en Chile?
A ver, nuestras proyecciones en cuanto a AI, en general, de acá a unos seis o siete años, son crecer unas diez veces, tanto en negocios de IA como, por supuesto, en negocios de datos también.
3- En cuanto a crecimiento en otros países, ¿cómo les ha ido?
En cuanto a crecimiento, Chile hoy es el mercado en Latinoamérica número tres en volumen para nosotros. Y en cuanto a crecimiento, más o menos duplicamos el tamaño del año pasado a este.
4- ¿Qué significa exactamente tomar decisiones informadas en beneficio del negocio?
Bien, en general, todo lo que tiene que ver con la parte de data siempre se le da un foco muy importante a poder tener la información para tomar decisiones. La verdad es que la manera en que uno genera transformación en las compañías es a través de convencer a los directivos de la compañía, es más, un tema cultural que un tema técnico. Hay que convencerles de generar cambios internos que tienen que ver con la adopción de tecnologías nuevas.
Entonces, la única manera de convencer y generar transformación involucrando a los directivos de la compañía es siempre y cuando haya un retorno asociado, un resultado de negocios asociados. Por eso, nuestra apuesta no es solo generar más información o hacer modelos atractivos o proyectos innovadores por sí mismos, sino que el objetivo principal es cómo impactamos en el bottom line de las empresas. Es cómo logramos que nuestros clientes sean más competitivos a través del uso de AI y tecnología.
5- ¿De qué manera la IA puede ayudar a las organizaciones a manejar mejor la data?
Hay muchos canales. Uno de los más importantes es a nivel de personalización, ahí hay un cambio importante y muy relevante que tiene que ver con el tipo de información. Tienes información que se llama información dura, que es la que no cambia generalmente, por ejemplo, la fecha de nacimiento de un usuario, esa información no cambia. Hay información que es blanda, que cambia de vez en cuando. Estoy casado o no estoy casado, información referida a momentos. Ahora, estamos yendo a un modelo de información referida a micro momentos, es decir, yo ahora tengo ganas de comprar algo, me comporto de una manera y tengo datos asociados a mi forma de comprar que, dentro de una hora, cuando ya hice la compra, cambian completamente porque mi foco cambió. Eso es lo que tenemos que implementar en AI: tener la capacidad de conocer perfectamente bien al usuario, que no sea un segmento o un perfil específico a nivel de años o meses, sino un perfil específico en este momento, y distinto dentro de una hora, debemos tener la capacidad de adaptarnos.
Entonces, uno es la personalización, el segundo es a nivel de automatización, generar información no sirve de nada si no se ejecuta automáticamente para que llegue al usuario. El tercer punto, también importante, es la atención al cliente, hemos visto toda la parte de los chatbots y todo eso, el mundo está yendo a un modelo donde las personas no sabrán en qué momento están hablando con un ser humano o con una computadora. La experiencia es mejor siempre y cuando obtengan lo que necesitan en el momento que lo necesitan, y eso es lo que la inteligencia artificial ha demostrado, que es mucho mejor para lograr esa experiencia que las personas mismas.
6- Muchas empresas cuentan con grandes cantidades de datos, pero no saben cómo sacarles provecho. ¿Cuáles son los primeros pasos que debería tomar una empresa para convertir estos datos en decisiones estratégicas tangibles y valiosas mediante la IA?
El paso número uno es que la mayor complicación hoy no está en los modelos ni en la tecnología, la mayor restricción está en la infraestructura actual de las compañías, esto se llama deuda tecnológica, y para mí, es la palabra clave en todo esto. Significa que las compañías han ido desarrollando tecnologías que han quedado obsoletas en muchas ocasiones y que no les permiten sacar provecho a las tecnologías actuales. ¿Por qué? Porque no permiten conectarse con la base de datos de la compañía, las tecnologías de la compañía, o con estas plataformas de automatización y de AI.
El segundo punto tiene que ver con buscar resultados a corto plazo, como decía anteriormente, hay que hacer un trade-off para lograr crecer y que la compañía me dé más budget para poder crecer en términos de AI. Tengo que demostrar que hay un resultado relacionado con eso. ¿Y cómo lo hacemos? Directamente con cosas que generen resultados económicos rápidamente. Lo que se llaman “quick wins” o “low-hanging fruit” en los negocios. ¿Cuáles son las cosas que nos permiten lograr resultados rápidos hoy? Personalización, por ejemplo, justo hoy comentaba alguien en el evento en el que estamos, una persona de mi equipo, que, con un script muy sencillo, un pedacito de código en Python, uno puede lograr automatizar y ofrecer a cada persona lo que necesita en un momento específico cuando se está haciendo la campaña. Ese tipo de pequeñas acciones, que no requieren grandes infraestructuras, nos ayudan a ser más específicos con lo que ofrecemos a cada una de las miles de personas con las que nos estamos contactando.
7- ¿Cómo pueden estas empresas superar las limitaciones tecnológicas para adoptar IA y qué pasos recomendarías en este proceso?
El primer paso es un assessment o evaluación de las tecnologías existentes. Las red flags son plataformas que no tienen APIs o que no se pueden conectar con otras tecnologías fácilmente.
Otro aspecto es tener diversas fuentes de datos para correr modelos. Por ejemplo, muchas compañías tienen información en Excel, otra en una plataforma de logística, otra en una plataforma de marketing, y todo eso genera silos de información. Cuando quieres juntar esos datos, tienen diferentes dimensiones. Yo, por ejemplo, quiero correr un modelo con series de datos diarios y tengo una fuente con datos diarios, otra con datos semanales y otra con datos mensuales, y no todas las métricas se pueden sumar. Entonces, empezaría entendiendo la calidad y capacidad de integración de las fuentes de datos, y asegurarme de que están disponibles a través de APIs.
8- La adopción de IA también implica un cambio cultural y organizacional. ¿Cuáles son las principales barreras que las empresas enfrentan al implementar IA y cómo pueden superarlas para maximizar el beneficio de sus datos?
Creo que has dado en el clavo, porque sinceramente, si me preguntas, no creo que hoy la mayoría de las compañías tengan problemas tecnológicos para lograr cambios a corto plazo. El problema que enfrentan es más bien cultural. Todos somos un poco reticentes al cambio, y eso nos cuesta a todos. Ahora estamos hablando de reticencia al cambio de cosas que aprendimos hace 10 años, pero también de cosas que aprendimos hace solo dos años. Hay lenguajes de programación que hace dos años eran muy populares y que hoy nadie usa. Con lo cual, el nivel de aceleración en el aprendizaje es muy alto. Uno de los puntos más importantes es aprender a vivir “always beta”, como se dice, siempre en beta, siempre en versiones no lanzadas al mercado, practicando e intentando cosas nuevas constantemente.
El otro tema, para mí, es que, para generar este cambio, que implica aprender desde cero, uno tiene que buscar dos cosas: lo que se llama el upside en la acción y el downside en la acción. La persona que toma la decisión en una compañía piensa: ¿de qué me sirve esto (upside) y qué perjuicios podría traer (downside)? Por eso, uno tiene que maximizar el beneficio y mostrar que las acciones de AI impactan el negocio. No es solo hacer cosas geniales o divertidas, como desarrollar un algoritmo para entender lo que piensan las personas. La compañía tiene el objetivo de ganar dinero, no de hacer cosas divertidas.
Luego, está el tema de los riesgos o downside. Uno tiene que entender y cubrir posibles impactos negativos, como el uso de chatbots. Algunas compañías temen que los chatbots puedan responder incorrectamente y afectar la marca o incluso resultar en demandas. Además, hoy en día la privacidad de datos es un tema crítico, y las marcas en América Latina enfrentan regulaciones menos desarrolladas que en Europa o Estados Unidos. Por ejemplo, hemos visto que una empresa de joyería en Estados Unidos recibió una multa de casi dos millones de dólares por no dejar claro cómo manejaban los datos de sus clientes. Esto generó un problema no solo financiero, sino de reputación. En América Latina, ya hemos tenido varios casos de multas menores, pero con impactos negativos en la marca. Por eso, es importante estar preparado en términos de data privacy para minimizar riesgos de multas y proteger la imagen pública.