Llevamos un año con Inteligencia Artificial (IA) por todas partes. En titulares, en el móvil, en anuncios ...
Efectivamente, 2023 y estas primeras semanas de 2024 han sido increíbles, notición tras notición, y solo es el principio. El genio de la IA ha salida de su lámpara, sin intención alguna de volver a la oscuridad. De hecho, la consultora internacional McKinsey cifra los aportes de la IA entre 17 y 25 millones de millones de euros en los próximos años.
De momento, con 100 millones de usuarios en solo dos meses, la salida de ChatGPT, así como de apps de generación de imágenes como Dall-E o MidJourney, han supuesto un año de democratización de la IA en todos los sectores de la sociedad. Y las nuevas capacidades de computación han disparado la necesidad de nuevas y espectaculares funcionalidades. Pero la IA no es nueva, lleva años aplicándose en industrias y negocios. GoogleMaps, servicios meteorológicos, mercados financieros, tu buscador de internet o la plataforma Netflix son sólo algunos ejemplos.
Ahora entramos en fase de aceleración y es importante para las empresas no quedarse atrás. La IA se utiliza para mejorar ventas, eficiencias operacionales, experiencias usuarias y productividad personal. De hecho, se suele decir, y no puedo estar más de acuerdo, que la IA es la nueva electricidad. Y esta misma versatilidad, la podemos llevar a todos los rincones de las organizaciones.
¿Cómo funciona realmente la IA, especialmente desde una perspectiva empresarial?
Al principio de todo, están los datos. Las IAs son algoritmos que trabajan aprendiendo de datos, sin instrucciones, para identificar patrones y correlaciones entre estos datos, y realizar una predicción. ChatGPT, de hecho, no hace más que predecir cual es la próxima palabra más probable en interesarte. Pero la IA no es una. Es un conjunto de técnicas, cada una con sus tecnologías, sus objetivos, sus retos y su grado de madurez.
Destacaré las tres principales de interés para el sector de las renovables y de la eficiencia:
• La IA predictiva, o analítica, también llamada Machine Learning, trabaja con datos tabulares, y números. Es una técnica muy madura. Realiza labores típicas de predicción (de demanda, de fallos), de clasificación (de clientes, de documentos, de sentimientos), y de prescripción (igual que vuestro sistema de recomendación de Netflix).
• La IA generativa, cuyo mayor exponente es ChatGPT, ha aprendido de textos, imágenes y videos, para interactuar en lenguaje natural con los humanos. Este tipo de IA es perfecto como herramienta de productividad personal (el famoso “efecto ChatGPT”), pero a la hora de integrarla a los procesos de la compañía para realizar chatbots y generar nuevos contenidos o diseños de manera automática y fiable, todavía estamos en fase experimental.
• Un tercer tipo de IA es el conocido como Visión Artificial o Computer Vision. Esta IA, entrenada para reconocer imágenes, formas y movimientos, se utiliza para inspecciones de calidad, el control de procesos en tiempo real, la reposición de almacenes o la monitorización de la seguridad en plantas.
Como curiosidad, el concepto de coche autónomo, tan en boga actualmente, se basa, entre otras cosas, en la combinación de estas tres técnicas de IA (y unas cuantas más, que no detallo aquí).
¿De qué manera puede beneficiar al sector de las renovables, de la eficiencia energética y de la sostenibilidadla IA? ¿En qué áreas de la empresa se pueden usar estas aplicaciones?
Los sectores industriales como el de las renovables trabajan con muchísimos datos (tanto internos como de terceros), procesos y materiales que implican a una cadena de suministro compleja, y con una cartera de clientes a veces muy atomizada. Son un territorio perfecto para sacar provecho de la IA, que supera ampliamente las limitaciones que tenemos los humanos para analizar datos y gestionar contenidos.
Empezando por los Mercados Energéticos, la IA predice producción, consumos, precios de la energía y otras condiciones de mercado con distintos horizontes temporales y escalas geográficas. Lo utilizan los operadores eléctricos para realizar ajustes del sistema, pero también cualquier empresa que necesite comprar o vender energía para optimizar sus transacciones.
En Fabricación, la IA se aplica a máquinas y procesos para mejorar la calidad, reducir costes energéticos y optimizar los recursos, o planificar cadenas de suministro y ordenes de fabricación basados en predicción de demanda. En Logística, Calidad y Mantenimiento, se usa para optimizar rutas, realizar tareas de mantenimiento predictivo, y detectar defectos o anomalías (microfisuras en palas de los aerogeneradores o suciedad de paneles fotovoltaicos, por ejemplo). En áreas de Marketing & Ventas, la IA permite predecir ventas y abandonos, hiper-personalizar contenidos comerciales y recomendar venta cruzada para un cliente. También se usan cada vez más chatbots y asistentes virtuales de atención al cliente, aunque con cierta cautela todavía.
Y no nos olvidemos de la Gestión Administrativa, donde la IA automatiza tareas habituales y repetitivas de clasificación y consulta de documentos internos (manuales, procedimientos, contratos...) y la gestión de tickets de soporte, partes, pedidos y reclamaciones. Esto es un apartado interesante: muy a menudo nos centramos en aplicar la IA primero en nuestro “core”, cuando estas tareas de automatización administrativa generan eficiencias y ahorros de costes considerables.
Estos son sólo unos ejemplos en áreas claves de la empresa. Lo importante para las empresas es priorizar proyectos de impacto, teniendo en cuenta retorno, costes, tiempos. Como decía antes, cada proyecto requiere de ciertos datos y ciertas técnicas de IA, cada una con sus desafíos, riesgos y limitaciones.
Al escucharte, parece como si la IA fuera el Santo Grial ¿Qué aporta la IA que no proporcionan los sistemas de gestión tradicionales?
Los sistemas tradicionales de gestión que tenemos en nuestras empresas son líneas de código, secuencias de instrucciones programadas, que se repiten incasablemente día tras día. No aprenden y no se adaptan a situaciones nuevas. En cambio, la IA se nutre de datos, sin instrucciones, para detectar patrones en estos datos, y extrapolarlos a nuevas situaciones. Cada día que pasa la IA se reentrena con nuevos datos para afinar su precisión. Tener un sistema que aprende de ti continuamente, esto es la gran novedad que nos proporciona la IA.
Esto permite, por ejemplo, responder consultas de un usuario sobre un manual de instrucciones o una ficha de producto nuevo. Algo impensable con un programa tradicional. Ahora bien, trabajar con datos no está exento de riesgos y limitaciones.
¿Cuáles son esos riesgos?
En la IA predictiva, el sistema puede no llegar a reconocer los patrones de datos con precisión. Bien porque hay mucho “ruido” en los datos, o porque las situaciones nuevas difieren demasiado de las vistas en entrenamiento. Por ello, predecir precios del gas o del petróleo a largo plazo es un ejercicio casi imposible: situaciones como la pandemia de Covid-19 o la guerra en Ucrania y otros eventos geopolíticos son imprevisibles, únicos, y la IA no consigue aplicar patrones. En cambio, la predicción de precios de la electricidad o del gas a corto plazo funciona divinamente.
En la IA generativas los retos son otros. Si piensas en montar un chatbot de atención a clientes de tus productores de parques solares, por ejemplo, no querrás arriesgar satisfacción y reputación con un sistema que pueda tener respuestas descontroladas, indeseadas, y que no respondan adecuadamente a la consulta. Un chatbot requiere de modelos potentes de IA generativa, al estilo ChatGPT, para comprender y responder una consulta. Y ahí es cuando nos encontramos con problemáticas de seguridad y de privacidad del dato, de sesgos y de “alucinaciones” (es decir, cuando la IA se inventa respuestas). También tendremos que instruir al chatbot sobre nuestros procedimientos, cultura y productos.
Todo esto sigue en fase muy experimental. Cada semana surgen conceptos y productos que frenan a las empresas a hora de escalar soluciones. Aún así, hay que empezar a experimentar, porque los ahorros y las eficiencias por conseguir marcarán la diferencia con tus competidores para sobrevivir en un horizonte no muy lejano (hablo de un par de años, no más).
Hablemos un poco más de la predicción de demanda. ¿Cómo se aplica este concepto en el sector de las renovables y de la eficiencia energética?
La predicción de demanda basada en IA es un concepto central que tiene muchas derivadas. Los agentes del sector, que se encargan de producir, transportar, distribuir y vender energía la utilizan para calibrar sistemas y optimizar procesos para maximizar ganancias con distintos horizontes temporales. Por ejemplo, en una planta de autoconsumo, la IA, alimentada por datos externos como precios y condiciones meteorológicas combinados con patrones de consumo, optimizará el sistema entre recarga e inyección a la red en tiempo real.
Por otra parte, la predicción de demanda de cualquier producto industrial suele venir acompañada de funciones esenciales para la gestión de la cadena de suministro: planificación de reposiciónde inventarios, selección de rutas y proveedores (muy a menudo internacionales) y automatización de ordenes de pedido. En el área comercial, la predicción de demanda se usa para hacer previsiones de ventas, simular escenarios dinámicos de precios, y proponer a clientes nuevas ofertas de producto, lo que se conoce como clustering de clientes para venta cruzada. La venta cruzada no es un concepto nuevo, pero la IA hiper segmenta a tus clientes para acertar en la recomendación de nuevos servicios o productos, o su reposición, más allá de lo que podría programar un departamento de Marketing.
Así, la IA puede ayudar a una empresa de servicios energéticos a realizar propuestas automáticas, pero personalizadas, de baterías, sistemas solares térmicos, certificaciones energéticas, asesoría en eficiencias, programas adicionales de monitorización, de servicios de limpieza y mantenimiento, etc. No todo vale para todos, y la IA es capaz de realizar una prescripción ajustada caso por caso.
Dices que el mantenimiento predictivo es otro aspecto en el que la IA puede ser de enorme ayuda. ¿Hasta qué punto es así?
Tradicionalmente, siempre ha existido el mantenimiento preventivo. Consiste, igual que para tu coche, en revisar periódicamente el rendimiento de la planta, o de una máquina específica, y de manera preventiva, proceder a recalibrar o cambiar ciertos componentes. Pero no es lo mismo un aerogenerador enel golfo de Vizcaya que otro en la llanura manchega. Variables ambientales, calidad de las materias primas y otras condiciones de operación inducen comportamientos y respuestas específicas.
La IA aprende a relacionar defectos y fallos con la configuración de la planta o de la máquina, lo que le permite anticipar eventos indeseados antes de que se produzcan. Los ahorros en materiales e intervenciones especializadas, así como la reducción de los tiempos de paradas y de los defectos de calidad son significativos tanto para fabricantes de componentes, como para propietarios de planta. Además, el mantenimiento predictivo puede tomar en cuenta procesos secundarios, que muy a menudo están debajo del radar de los operarios, a pesar de que también contribuyen a parones inesperados y costosos. Así las cosas, el mantenimiento predictivo es una pequeña revolución silenciosa que genera millones de ahorros al año en grandes empresas industriales.
Todo esto de la IA parece muy abrumador. Muchas técnicas diferentes, cada una con sus tecnologías y retos, esto parece una revolución tecnológica en toda regla y puede asustar a los empresarios. Si tuvieras una sugerencia que dar a las empresas del sector renovable, ¿cual sería?
Resumiendo, las técnicas de IA ayudan a hacer más y mejor, con menos. Mejores decisiones y experiencias, más ventas y eficiencias, menos costes y menos tiempos. Por todo ello, La IA no es una moda, es un cambio disruptivo que va a redefinir drásticamente la competitividad de las empresas del sector.
Para no quedarse atrás, mi recomendación sería contemplar tres horizontes. Lo más fácil, e inmediato, es incentivar a los empleados de la compañía para que utilicen a diario las herramientas de productividad, como ChatGPT, Google Gemini o Perplexity (análisis de mercados, producción de textos), Dall-E, Sora o midjourney (producción de imágenes y vídeos para comunicación y marketing) o Microsoft Copilot (asistente de programas de Office). Y hay muchas más. Estas herramientas no requieren de instalación ni de integración. Con un poco de entrenamiento y un uso responsable, aumentan la productividad de todos los equipos de manera instantánea. Es como si reforzaras tus equipos con un par de becarios listos (pero becarios al fin y al cabo), que irán aprendiendo contigo.
En paralelo, las aplicaciones de IA predictiva ya están teniendo impacto positivo en las ventas y en los márgenes de las empresas, con un riesgo mínimo y trabajando “en casa” con tus datos. Son los proyectos por los que recomendamos empezar, para “subirse al tren” de la IA, adquirir conocimiento y cosechar primeros resultados tangibles. Finalmente, las aplicaciones empresariales basadas en IA generativa como chatbots y gestores documentales requieren trabajar con modelos de terceros, en evolución constante, y adaptarlos al contexto de nuestra empresa, gestionando ética, seguridad, recursos e integración.
Si eres una empresa con cierto tamaño donde tales aplicaciones pudieran suponer una clara ventaja, sugiero empezar a considerar cuanto antes proyectos internos donde experimentar. Pero mi mejor consejo, si me lo pides, sería en todo caso no empezar la casa por el tejado. Negocios lo primero, y la tecnología, lo segundo. Lo esencial es impactar en la cuenta de resultados. Si los directivos de una empresa comprenden lo que se tienen entre manos, pueden valorar qué tipo de aplicaciones priorizar. Dos empresas que venden productos o servicios similares pueden tener objetivos y necesidades muy diferentes para consolidar su negocio. De hecho, impartimos formaciones 360o a ejecutivos de negocio, precisamente para ayudarles a cristalizar una hoja de ruta. Caso por caso, ¡no hay otra!
La IA también preocupa. Consume mucha energía, tiene riesgos de fiabilidad, de sesgos, de seguridad y podría generar grandes pérdidas de empleo... ¿Que se está haciendo para proteger a los ciudadanos?
Hay preocupaciones legítimas que surgen en varios frentes con estos modelos generativos como ChatGPT o MidJourney. Entrenar la versión 4 de ChatGPT supuso cuatro meses de ingesta (o ingestión) de casi todo internet. El consumo de energía fue de 5 GWh, equivalente al consumo de una ciudad de 600.000 habitantes (como Málaga o Zaragoza) durante el mismo periodo, lo que plantea problemas de sostenibilidad. Ahora mismo se está entrenando la versión 5, que se espera aún más potente, y muchas empresas tecnológicas se han lanzado a la carrera con aún más productos. Adicionalmente, cada consulta que hacemos al sistema genera también un consumo considerable de energía.
Es verdad que están apareciendo modelos de IA más frugales pero, de momento, el foco está en la performance de los productos. Me temo que las cuestiones de consumo todavía quedan periféricas en estos momentos.
Luego están los problemas de sesgo (hacía ciertos colectivos, por su aprendizaje de Internet, también de lo malo) y la fiabilidad de las repuestas, a veces inventadas con aplomo, pero inventadas. Sobre todo, al ser modelos probabilísticos, no hay forma de conseguir dos veces la misma respuesta a la misma consulta. Todo esto puede ser un problema a la hora de prestar un servicio de atención al cliente o al ciudadano.
Varios estudios de consultoras y organismos internacionales como el FMI señalan también el riesgo de pérdidas de empleo por millones. Al igual que cuando aparecieron los PCs y más tarde Internet, la IA genera y generará nuevos puestos de trabajo, de hecho, el mercado de científicos de datos, los que trabajan la IA, está muy tensado. Pero es posible que el balance neto sea negativo en unos años.
Finalmente, está el propio uso de la IA. Se pretende potenciar su uso responsable para evitar la creación de situaciones complicadas, como la manipulación de mercados o de la opinión pública con deepfakes, la invasión de la privacidad en materia de seguridad ciudadana, y la creación de armas biológicas, por citar algunos usos reales (además de casos de filtración de datos confidenciales).
Ante estas inquietudes, se han implementado diversas medidas para proteger a los ciudadanos. Recientemente, la Unión Europea aprobó la Ley de IA, que busca regular el uso de esta tecnología. También el Reino Unido y los Estados Unidos han tomado ciertas iniciativas. Si bien supone un avance significativo, surge la interrogante sobre si esta regulación es suficiente.
¿Y lo es?
Es importante considerar que la legislación actual es un primer paso en la dirección correcta, pero es probable que se requieran ajustes y actualizaciones a medida que la tecnología y sus implicaciones evolucionen.
Entre las medidas adoptadas para proteger a los ciudadanos del impacto negativo de la IA se encuentran la implementación de estándares éticos y de seguridad, la promoción de la transparencia en el desarrollo y uso de algoritmos, así como el fomento de la participación ciudadana en el diseño de políticas relacionadas con la IA. Asimismo, se han propuesto iniciativas para fomentar la formación y recualificación de los trabajadores afectados por la automatización.
Desde luego, la tarea es inmensa pero necesaria, pues parece ser que no hay vuelta atrás.
