Un nuevo estudio analiza el potencial de la IA generativa como sustituto de los participantes humanos en estudios de marketing y grupos de discusión.
Como profesora asociada de la Harvard Business School y cofundadora del Laboratorio de Inteligencia de Clientes del Instituto de Diseño de Datos Digitales de la escuela, el trabajo de Ayelet Israeli se centra en cómo Inteligencia Artificial (IA) pueden informar la estrategia de marketing.
Uno de los productos de su trabajo reciente es un artículo del que es coautora con dos economistas e investigadores de Microsoft sobre cómo la IA generativa podría utilizarse para simular grupos de discusión y encuestas para determinar las preferencias de los clientes.
Ayelet se une al podcast Me, Myself, and AI para hablar de las oportunidades y limitaciones de la IA generativa en los estudios de mercado. Detalla cómo se llevó a cabo la investigación y cómo la tecnología IA podría ayudar a los profesionales del marketing. Entre otras cosas a reducir el tiempo, el coste y la complejidad asociados a los métodos tradicionales de investigación de clientes.
Suscríbete a Me, Myself, and AI en Apple Podcasts, Spotify o Google Podcasts.
Nutrir a las próximas grandes empresas dedicadas a la IA, la misión de Shilpa Prasad de LG Nova
Sam Ransbotham: ¿Cómo puede ayudarnos la IA generativa a entender las preferencias de los consumidores? En el episodio de hoy, una profesora nos habla de su estudio de mercado.
Ayelet Israeli: Soy Ayelet Israeli, de la Harvard Business School, y estás escuchando Me, Myself, and AI.
Sam Ransbotham: Bienvenido a Me, Myself, and AI, un podcast sobre IA en los negocios. En cada episodio les presentamos a alguien que está innovando con la IA. Soy Sam Ransbotham, profesor de analítica en el Boston College. También soy editor invitado de IA y estrategia empresarial en MIT Sloan Management Review.
Shervin Khodabandeh: Y yo soy Shervin Khodabandeh, socio sénior de BCG y uno de los líderes de nuestro negocio de IA. Juntos, MIT SMR y BCG han estado investigando y publicando sobre IA desde 2017. Se han entrevistado a cientos de profesionales sobre lo que se necesita para construir y desplegar las capacidades de IA.
Sam Ransbotham: Hola a todos. Hoy, Shervin y yo estamos encantados de contar con la presencia de Ayelet Israeli. Es profesora asociada y cofundadora del Customer Intelligence Lab en el Digital Data Design Institute de la Harvard Business School. Ayelet, gracias por dedicarnos tu tiempo. Empecemos.
Ayelet Israeli: Muchas gracias por recibirme.
Sam Ransbotham: A menudo, empezamos preguntando a los invitados su profesión. Lo bueno de ser profesor es que la gente ya tiene una idea de lo que significa.
Sin embargo, creo que estaría bien conocer un poco su trayectoria y su biografía. ¿Puedes dedicar un minuto a presentarte y decirnos qué te interesa?
Ayelet Israeli: Muy bien. Soy profesora de marketing en la Harvard Business School. Me interesa mucho cómo podemos aprovechar mejor los datos y la IA para obtener mejores resultados.
Parte de mi trabajo gira en torno a la IA genérica y a cómo pueden utilizarla las empresas para acceder mejor a la información de los consumidores. En otros ámbitos, pienso en cómo eliminar el sesgo algorítmico en la toma de decisiones.
Sam Ransbotham: Vi su charla hace unos meses sobre el uso de la IA generativa y me pareció muy interesante, porque mucha gente habla de ella. Pero aún no tenemos muchas pruebas.
Ayelet Israeli: Ajá.
Sam Ransbotham: Las pruebas… no es que no existan, es que están por llegar. Pero estás empezando a obtener algunas pruebas a través de esta investigación que estás haciendo. ¿Qué podemos hacer con GPT y generativa en la investigación de mercado?
Ayelet Israeli: Yo y dos de mis colegas de Microsoft, Donald Ngwe y James Brand, empezamos a pensar: ¿podemos utilizar la GPT para la investigación de mercados?
La idea era que algunas personas han demostrado que se pueden replicar experimentos muy conocidos, incluido el famoso experimento de Milgram. Esto es uilizando la GPT simplemente haciéndole preguntas. Y pensamos:
“Trabajamos tanto como investigadores y como profesionales para comprender mejor las preferencias de los clientes. Quizá podamos utilizar GPT para extraer realmente este tipo de preferencias”.
Para los grandes modelos lingüísticos, la idea es que te den la siguiente palabra más probable. Así es como se produce el lenguaje. Y pensamos:
“Quizá si le pedimos a GPT que elija entre dos cosas, quizá la respuesta, que es la palabra más probable, refleje las respuestas más probables en la población. Y en ese sentido, básicamente interrogaremos a GPT pero obtendremos la distribución subyacente de preferencias que vemos en la población”.
Y empezamos a jugar con esa idea. Nos centramos en los productos de consumo para ver si esta idea podía funcionar.
Shervin Khodabandeh: ¿Y funciona?
Ayelet Israeli: ¡Más o menos!
Shervin Khodabandeh: Estupendo. Cuéntanos más.
Ayelet Israeli: Nuestro primer impulso fue:
“veamos si puede generar cosas muy básicas que esperamos de la economía. Por ejemplo, si el precio es más alto, ¿sabe rechazar una oferta? ¿Sabe hacer este compromiso entre el precio y la elección?”
Y vemos una especie de curva de demanda descendente, que es lo que esperaríamos ver cuando consultamos a GPT miles de veces para obtener respuestas. También vemos cosas como:
“Oh, podemos decirle algo sobre sus ingresos, y reacciona a eso”.
Cuando tiene mayores ingresos, es menos sensible al precio, lo que tiene sentido , es lo que esperamos de la gente también.
También vemos que puede reaccionar a la información sobre sí mismo: “Oh, la última vez que compró en esta categoría, compró esta marca en particular” hace que sea mucho más probable que elija esta marca en el futuro. Ésas son nuestras pruebas: “¿Reacciona como lo harían los humanos en las encuestas?“.
Y luego lo llevamos un paso más allá, y estábamos tratando de obtener la voluntad de pagar por los productos o por ciertos atributos. Y luego básicamente comparamos la distribución de los precios a la distribución de los precios que vemos en el mercado. Misma que es bastante consistente.
Y algo realmente interesante y emocionante para nosotros fue la posibilidad de estudiar la disposición a pagar por los atributos. Porque es algo que todos, como profesionales del marketing, queremos encontrar.
Impulsar la innovación interdisciplinar con IA: Anders Sjögren de Volvo
En nuestro ejemplo, es pasta de dientes, y estamos tratando de averiguar cuánto la gente está dispuesta a pagar por el flúor, que es algo que es difícil para nosotros pensar. Sí sé que prefiero comprar esta pasta de dientes, pero no sé cuál es la cifra.
Así que nos picó la curiosidad por ver si la GPT puede proporcionarnos esta cifra de la misma forma que preguntamos a los consumidores. Los investigadores han demostrado a lo largo de los años que la mejor forma de plantear estas preguntas es mediante estudios conjuntos.
Esencialmente, se ofrece a la gente de 10 a 15 opciones, y a través de sus diferentes opciones, usted es capaz de entender las compensaciones que están haciendo. Además de realmente cuantificar la diferencia que están dispuestos a pagar.
Es lo que hicimos. Hicimos un análisis conjunto con GPT y comparamos los resultados con estudios en humanos que se acaban de publicar. Obtuvimos resultados bastante similares, así que nos entusiasmó.
Por supuesto, los resultados no son idénticos. Tenemos que hacer mucho más para averiguar dónde están algunos de los problemas y hasta qué punto esto se generaliza, pero sólo el hecho de que hemos sido capaces de conseguirlo es increíblemente emocionante.
Sam Ransbotham: Así que parece emocionante para las empresas porque supongo que el costo de hacer un estudio de mercado en un montón de gente es mucho más que hacerlo sólo a través de un montón de llamadas API con ChatGPT. Ese tiene que ser el atractivo. ¿Hay otros atractivos?
Ayelet Israeli: Básicamente, este tipo de estudios llevan mucho tiempo y son costosos y complejos. Lo ideal es pedir a la gente que haga muchas concesiones, pero la capacidad humana para hacerlo es limitada. Con GPT, puedes consultarlo muchas veces. Pero en este momento, no voy a decirle a nadie:
“Sustituye todos tus estudios humanos por GPT o por otro LLM”, porque queda mucho trabajo por hacer para averiguar cómo hacerlo bien.
Uno de los problemas de la GPT es que está preentrenada. Me dará preferencias, pero estas preferencias son relevantes para el periodo de tiempo en el que fue preformado. Y una empresa quiere saber:
“¿Qué les interesa a los clientes en este momento?” Así que eso es una especie de limitación.
Lo que estamos probando ahora es, tal vez todavía tenemos que consultar a la gente, pero menos gente de lo que normalmente tendría que hacerlo.
Por lo general, cuando se ejecutan estos estudios, se necesitan miles de usuarios para obtener algo que sería robusto y estadísticamente significativo. Al menos desde un punto de vista académico o estadístico.
Estamos tratando de ver si puedo recopilar información de muchos menos seres humanos y combinarla con LLM mediante un ajuste fino y generar algo útil. Pero, en realidad, una gran ventaja sería el ahorro de costos y de tiempo.
Sam Ransbotham: El tiempo era un grande.
Ayelet Israeli: Sí. Hasta ahora hemos hablado de productos de consumo, pero podemos pensar en encuestas entre empresas. Ya que son mucho más caras y difíciles de realizar. Así que tal vez también haya potencial en este sentido. Todavía no lo hemos probado.
Shervin Khodabandeh: Me encanta la idea. Si pensamos en la mayoría de los casos de uso de la IA generativa, nos referimos. Sobre todo a la reducción de la carga de trabajo o a la creación de imágenes, contenidos y resúmenes de texto.
Y luego hay otros más avanzados en torno a la planificación y la gestión de inventarios. Pero de lo que estás hablando es de reemplazar literalmente a los humanos con esto, ¿verdad? Quiero decir, eso es básicamente lo que es.
Y es un comienzo de algo que podría ser muy interesante, porque has demostrado, al menos, que es una especie de racional, ¿verdad? Quiero decir, estás haciendo todas estas preguntas, y es económicamente, supongo, racional.
Pero entonces, como vendedor que eres, no todas las estrategias de marketing se basan en la racionalidad. De hecho, muchas de ellas se basan en deseos completamente irracionales.
Ayelet Israeli: Así es.
Shervin Khodabandeh: ¿Qué opinas de las decisiones no racionales que toman muchas personas que crean estas grandes marcas y bolsos de 20 mil dólares y todo tipo de cosas por el estilo? ¿Cómo se aprovecha eso?
Ayelet Israeli: Antes de responder a su pregunta, lo primero que me ha puesto nerviosa como académica es cuando ha utilizado la palabra probado.
Sam Ransbotham: Probar… ¡Ya lo he oído!
Ayelet Israeli: Veo que Sam es …
Shervin Khodabandeh: Sonreí cuando lo dije.
Ayelet Israeli: Yo diría que mostramos pruebas coherentes con eso. Y también sabemos que estos modelos siguen evolucionando. Tal vez algo que mostramos hace un mes no será relevante en un mes a partir de ahora, que es también una razón por la que no sólo debe ir y ponerlo en práctica sin pruebas. Así que quiero ser prudente al respecto.
Shervin Khodabandeh: Sí.
Detectar lo bueno y lo malo con IA: Naba Banerjee de Airbnb
Ayelet Israeli: Existe una visión más racional de lo que es un producto, pero las marcas crean un valor que no podemos medir y que es difícil de cuantificar.
Es casi como el ejemplo que di del flúor. No sabemos cómo cuantificar el flúor. Nos resultaría difícil si te preguntara:
“Oh, ¿cuánto estás dispuesto a pagar por una marca como Colgate frente a un dentífrico que me acabo de inventar?”.
En realidad, el mismo modelo de estudio conjunto será capaz de inferir esas diferencias. Y vemos preferencias, por ejemplo, por Mac frente a otro tipo de ordenador. Así que ya está incrustado allí, en cierto modo.
La precisión es una cuestión empírica.
Shervin Khodabandeh: Sí, no, tienes tanta razón porque mientras te escuchaba responder a esta pregunta, también me di cuenta de que mi suposición no es necesariamente la racionalidad.
Es que tiene una capacidad de encapsular lo que la mayoría de la gente hace que está incrustado en cosas en las que fue entrenado. Así que mi segunda pregunta es, ¿cómo conseguir que esto sea más segmentado o más específico o más matizado? Porque cuando se hacen grupos de discusión, lo que se busca es una mezcla de sabores y matices concretos.
Ayelet Israeli: Sí, y también, muchos de los usos que hemos visto cuando GPT y otros LLM se acababan de introducir, gran parte del entusiasmo era:
“Soy ingeniero. Puedo hacerle una pregunta. Me da lo más común. Eso es exactamente lo que quiero”.
Y en realidad, lo que estamos haciendo es el otro lado de eso. No queremos lo más común. Queremos entender la distribución.
Es por eso que cuando consultamos GPT, le preguntamos cada pregunta muchas, muchas veces, porque queremos obtener muchos consumidores diferentes. En nuestro análisis, solo variamos los ingresos y lo que compraban antes. Pero podemos, del mismo modo, variar el sexo, la raza, cualquier otra cosa que queramos. Y he visto a otros investigadores hacer eso.
Hay un trabajo muy interesante de unos colegas de Columbia y Berkeley que utilizaron la GPT para crear mapas de percepción: la proximidad entre dos marcas.
Y también mostraron diferencias por género y edad y cosas por el estilo en torno a los coches, que es un mercado en el que esperamos ver estas diferencias. Así que también se puede hacer de forma similar. Y también se demostró en la ciencia política para la política.
Puedo dar a alguien una ideología, y su comportamiento de voto tiene sentido, su generación de texto sobre diferentes temas tiene sentido. Esto también es muy interesante para los profesionales del marketing que se preocupan por la heterogeneidad y la comprensión de las diferencias entre los distintos consumidores.
Shervin Khodabandeh: Sí, ojalá pudiéramos utilizarlo en ensayos clínicos.
Ayelet Israeli: He visto un artículo sobre los mejores modales de los LLM en comparación con los médicos, así que quizá todavía haya algo ahí.
Sam Ransbotham: Eso es GPT-5, tal vez.
Ayelet Israeli: Sí.
Sam Ransbotham: Como estás diciendo que, sin embargo, creo que acerca de la forma en que estos trabajos es una estimación probabilística de la más probable siguiente palabra, la más probable siguiente … y haS segmentado
“Dado que usted es de bajos ingresos, altos ingresos, dado que usted es este atributo, que atributo …”
Eso es interesante, pero ¿de dónde sacamos la rareza, entonces? Si todo se basa en los “más probables”, sobre todo a partir de parámetros predefinidos. No es que no seas brillante a la hora de idear un buen espacio de búsqueda. Pero ¿cómo vamos a encontrar las cosas que no sabemos, entonces? ¿No es algo que surge de los estudios de mercado y los grupos de discusión?
Ayelet Israeli: Desde luego, y eso es parte del reto. Obviamente, GPT aprende algún tipo de distribución, pero hay gente que, ya sabes… digamos que todo lo que aprende es de las reseñas.
Podría haber un montón de consumidores muy extremos que no escriben comentarios en línea o no tienen acceso a Internet. Pero tienen estas ideas extremas interesantes. E incluso si le digo a GPT: “Quiero [tanta] aleatoriedad como sea posible, una variación muy alta”, no llegaré a esas personas. Así que eso será sin duda un problema.
Ya sé de algunas startups que están tratando de resolver este problema e identificar a estos consumidores extremos y luego llevarlos al siguiente nivel. Esto mediante el uso de LLM para tal vez predecir lo que harán en otro caso.
Pero al mismo tiempo, ha habido algunos trabajos sobre la creatividad de la IA y que crea ideas muy creativas, que, ya sabes, no es lo que pides.
Sam Ransbotham: Algunas de esas ideas creativas no están limitadas por la realidad. Creo que todos hemos visto algunas, como la forma en que juega al ajedrez y decide que esa regla es demasiado restrictiva.
Ayelet Israeli: Así es. Ese es también el problema de las alucinaciones, que deberían probarse en diferentes contextos. Pero creo que la forma en que lo inducimos a hacer una elección es menos propensa a los problemas de alucinación porque proporciona una elección y no estás pidiendo hechos o algo así.
No estoy tratando de decir que GPT superará a cualquier encuesta de clientes o algo así. Todo lo que quiero ver es si es tan bueno como los seres humanos.
E incluso con los clientes humanos con los que hablamos, tenemos que trabajar muy duro para encontrar personas que hagan estas encuestas. Y a veces las pasamos por alto. Puede que consigamos la distribución de algunas personas, pero todavía tenemos que trabajar duro en los extremos sin IA, pero sólo con conversación humana.
La mentalidad del innovador: Crear un mañana mejor con IA
Shervin Khodabandeh: Lo que me parece realmente interesante aquí es que dijiste algo así como: “No es tan bueno como una encuesta de consumidores”, y ahora quiero cuestionar eso.
Porque lo que me parece interesante en esta idea que tienes es que cuando se piensa en otros casos de uso de IA o gen IA, hay una especie de carga de la prueba que dices: “OK, así que soy un ser humano. Soy un ingeniero. Tengo una tarea. Preguntémosle a GPT“, o a cualquier sistema de IA generativa, si se trata, digamos, de un tipo de trabajo de conocimiento, si podría hacerlo tan bien como lo hace un humano.
Vale, genial. ¿O puede codificar mejor que un humano? ¿O puede crear un vídeo o un documento o algo que leerías y dirías: “Vaya, esto está bien”? Entonces podrías hacerlo tú. No necesito hacerlo”. ¿Verdad? Así que ese tipo de carga de la prueba es muy clara.
En este caso, no estoy tan seguro de que incluso tiene que tener una carga de la prueba. Porque en muchos sentidos estamos asumiendo que un grupo de enfoque de 500 o mil personas, o cualquier encuesta. Pero una encuesta de ese tipo es de alguna manera el evangelio o, como, eso es como lo que GPT o quien sea, lo que sea.
Ayelet Israeli: ¿Puedes hablar con los revisores de nuestro artículo?
Shervin Khodabandeh: Porque la realidad es que, si lo piensas, es que si la única manera de saber … así que vuelve atrás. Porque, mira: Su premisa aquí es como, “Vamos a ahorrar tanto dinero en toda esta investigación de mercado mediante el aumento de esto con eso”, que es verdadero.
Pero también creo que la carga es menor. E incluso si no detienes ni una sola investigación de mercado o encuesta basada en humanos. Sigues habiendo añadido una tonelada de valor al ampliar el universo de respuestas y opciones.
Porque yo diría, ¿cómo sabes que mil personas son representativas en absoluto o que tienen todos esos matices? Así que esta cosa está trayendo señales que de hecho existen, porque de lo contrario no estarías allí. Y me parece bastante inspirador para un vendedor. Me encantaría hablar con sus críticos.
Ayelet Israeli: Creo que como académicos, estamos acostumbrados a un cierto nivel de rigor y solidez y la capacidad de decir y para demostrar las cosas. El hecho de que esta herramienta puede proporcionar una simulación de algo es bueno, pero
“¿Puede realmente reemplazar a los seres humanos?”
Es una carga mayor debido a esta pregunta de, ¿es realmente me da respuestas significativas, actualizadas? ¿Coincidirá con algo? Y tú dices: “Bueno, quizá los humanos no sean tan buenos en primer lugar, así que ¿por qué intentamos…?”.
Shervin Khodabandeh: No, en realidad lo que quiero decir es otra cosa. Me formé como científico, y entiendo que la carga de la prueba es mucho mayor en la ciencia y en el mundo académico. Y no estaba tratando de argumentar que has demostrado que esto sustituye a los seres humanos.
No creo que esté reemplazando a los humanos. Pero lo que estaba tratando de decir es, el valor de esto es que aumenta drásticamente las señales y puntos de vista e ideas disponibles para un vendedor y porque no hay encuesta o grupo de enfoque que por definición no es limitado.
Esto no es limitado porque tiene todo lo que hay. Así que lo que quiero decir no es que se haya cumplido la carga de la prueba. Sino que ni siquiera sé si debería haber ese tipo de carga de la prueba, porque está abordando una limitación de los grupos de discusión y de la investigación tradicional.
Así que no tiene por qué sustituirlas. Para empezar, no son perfectas. Nadie lo discutiría.
Ayelet Israeli: Sí. Creo que, como mínimo, me siento cómoda diciendo que hemos demostrado que podría ser muy informativo sobre las preferencias y lo que está pasando, al menos dentro de los datos con los que está entrenado.
Y eso ya podría cambiar muchas cosas para muchas empresas, dado el tipo de investigación y los problemas. Además del acceso a los seres humanos y todo eso. Sin duda.
Sam Ransbotham: Así que hay múltiples señales diferentes que vienen aquí, y creo que hemos abordado esta primera de la idea de, ¿esta señal reemplazar la otra señal de un grupo de enfoque? Pero la variable dependiente aquí podría ser, ¿la gente realmente compra un producto? ¿Compran el flúor?
Ayelet Israeli: Correcto.
Sam Ransbotham: Y si esta señal añade algo de información a esa predicción, entonces tenemos una nueva fuente de información. Si la sustituye por completo, entonces tenemos algo diferente.
Ayelet Israeli: Correcto. Y ahora vamos al problema de estas encuestas de preferencias declaradas frente a las preferencias reveladas que en realidad se basan en lo que la gente hace.
Ahora, yo diría que la GPT podría tener menos [de un] problema que los seres humanos porque no está sujeta a cosas como el sesgo del experimentador. Así que probablemente me esté dando algo más cercano, pero todavía me está dando algo más cercano a las preferencias declaradas si trae los datos de los sitios de revisión o investigación de mercado y no necesariamente lo que la gente realmente compraría.
Pero lo mismo ocurre con los grupos de discusión y las encuestas.
Sam Ransbotham: Así que pensamos en esto como una nueva fuente de señal. Que hay un montón de diferentes señales por ahí, y tiene cierta superposición, tal vez, con una señal. Y creo que eso en sí mismo es fascinante, pero también puede tener una nueva señal.
Ayelet Israeli: Sí.
Regular el fenómeno de la IA: David Hardoon de Aboitiz Data Innovation
Shervin Khodabandeh: Otra cosa que me parece fascinante es que las soluciones de IA se han entrenado con datos y luego, cuando se ponen en producción, se entrenan con datos o reciben información de los datos en producción, y mejoran.
Con la IA generativa, gran parte de esa retroalimentación también tiene que ser impulsada por humanos frente a los datos, ¿verdad? Esto es lo que te dice que hagas. ¿Te parece bien? Sí, no, etc. Así que también se siente como este tipo de tecnología, donde la IA generativa puede ser un usuario de la salida de otra IA generativa.
Así que vayamos al paradigma de, mira, está reemplazando a un humano en el grupo de enfoque. O también podemos reemplazar a un humano en una empresa que es un vendedor que trata con una respuesta de la IA generativa en, como, “¿Cómo diseñar una campaña para esto?“
Ayelet Israeli: Ajá.
Shervin Khodabandeh: ¿Qué opinas de la idea de que varios agentes de IA generativa se enfrenten entre sí para mejorar la calidad general?
Ayelet Israeli: Creo que es una idea interesante. Pero también creo que las pruebas hasta ahora sugieren que, en algún momento, sigue siendo necesario que haya al menos un humano en el bucle…
Shervin Khodabandeh: Por supuesto.
Ayelet Israeli: Por todas estas alucinaciones, cosas irreales que salen. Pero, ciertamente, si estos modelos son cada vez mejores, más eficientes, de mayor calidad, ¿por qué no?
A medida que implementamos este tipo de cosas en nuestras organizaciones, también tenemos que pensar en cómo… no sé si la palabra es exactamente validar. Pero ¿cómo nos aseguramos de que el proceso sigue teniendo sentido y de que no estamos perdiendo el tiempo con estos agentes hablando entre sí?
Shervin Khodabandeh: No, por supuesto. Tienes toda la razón. Se necesitan seres humanos en el bucle y probablemente durante muchas décadas como mínimo. Pero puede que no se necesiten tantos.
Si tienes algún tipo de producto que se supone que va a ayudar, digamos, a un grupo de 20 mil representantes de atención al cliente, y va a mejorar en función de los comentarios, en función de su uso en una prueba piloto de, digamos, tres meses. Tal vez no necesites probarlo con 5 mil personas.
Tal vez podrías probarlo con cien personas y dos o tres agentes de inteligencia artificial diferentes para acelerar drásticamente el tiempo de adopción.
Ayelet Israeli: Sí, eso es genial.
Sam Ransbotham: Aunque tengo que decir, cuando te oí decir eso, Shervin, lo que me hizo pensar es cuando la gente sostiene un micrófono demasiado cerca de un altavoz. Esto genera estos bucles de retroalimentación. Me preocupa que si las dos fuentes de datos están demasiado alineadas, acabemos aplastados.
Shervin Khodabandeh: Es cierto.
Sam Ransbotham: No vamos a conseguir la locura. Saltar a la parte posterior del capítulo aquí. Danos las respuestas. La gente está escuchando esto, y están trabajando en las empresas, y tienen estas herramientas disponibles en este momento, no dentro de 20 años ¿Qué debería hacer la gente ahora mismo con estas herramientas?
Ayelet Israeli: Jugar con ellas. Piensa… ¿qué quieres saber sobre sus clientes?
En nuestro documento ofrecemos toda una lista de sugerencias sobre cómo preguntar este tipo de cosas y empezar a obtener esta información. Y como Shervin dijo antes, ¿qué es exactamente? No estamos seguros, pero es una señal. Hay información que podemos empezar a averiguar, ¿verdad?
Sam Ransbotham: Y así, jugando con ella, que ayuda a la gente a descubrir qué información está ahí?
Ayelet Israeli: Creo que probar y descubrir. Pero empezar con una pregunta concreta es muy útil.
Shervin Khodabandeh: Ayelet Israeli, usted es la única invitada que hemos tenido con las iniciales “AI“, que encajan perfectamente en Me, Myself, and Ayelet Israeli, que es Yo, Yo mismo y Yo misma.
Shervin Khodabandeh: Pero háblanos más de ti, de tu pasado, de cómo has llegado hasta donde estás y de por qué te interesas por todo esto.
Ayelet Israeli: Claro. Soy originaria de Israel. Israel es conocido por ser “Startup Nation”.
Cuando llegué a pensar en lo que quería estudiar en la universidad, había un programa especial que estaba orientado a mejorar Startup Nation dando a la gente una especie de herramientas de gestión. Así que era una licenciatura en ciencias de la computación y un programa combinado de MBA en cinco años.
Y empecé a hacer eso, y me gusta la informática. En realidad me especialicé en finanzas y marketing, pero me interesaba especialmente el marketing. En particular, dar sentido a un montón de datos en este contexto tan divertido y aplicado. Y entonces decidí hacer un doctorado en marketing.
Con los años, me di cuenta de que los productos de consumo o las cosas en torno a los clientes y las transacciones son interesantes para mí. Es un mundo fascinante.
Hay muchos datos al respecto, porque a medida que nos movemos más hacia lo online y lo digital, podemos ver más y más datos. Y entonces la pregunta es: “¿Cómo podemos aprovechar esos datos de forma más eficiente y también responsable?“, que es una parte de mi investigación.
Aprendizaje continuo con IA: Shelia Anderson de Aflac
Sam Ransbotham: Así que tenemos un segmento donde le haremos una serie de preguntas rápidas para ponerlo en el punto. Responda lo primero que se le ocurra.
Ayelet Israeli: De acuerdo.
Sam Ransbotham: ¿Cuál es la mayor oportunidad para la inteligencia artificial en este momento?
Ayelet Israeli: La mayor oportunidad. Esto no es rápido.
Shervin Khodabandeh: Pero háblanos más de ti, de tu pasado, de cómo has llegado hasta donde estás y de por qué te interesas por todo esto.
Shervin Khodabandeh: Siguiente pregunta.
Ayelet Israeli: Sí, siguiente pregunta.
Sam Ransbotham: Oh, ok.
Ayelet Israeli: Me lo pensaré.
Shervin Khodabandeh: Paso.
Sam Ransbotham: Paso. ¿Cuál es la mayor idea equivocada que crees que tiene la gente ahora mismo sobre la inteligencia artificial?
Ayelet Israeli: Suelo estar rodeada de gente que trabaja en esto y lo entiende, que es sólo un modelo. pero mucha gente todavía no lo entiende y sigue imaginando robots y esta cosa mágica que ocurre.
Y por eso me gusta explicar muy claramente:
“Oh, es predecir la probabilidad de la siguiente palabra y elegirlas en la distribución, y eso es todo lo que está pasando”.
Así que creo que todavía tal vez no es tan malo como lo que solía ser hace 10 años, pero sigue siendo esta cosa mágica, artificial que sucede, y no lo es. Sigue siendo mágico, supongo.
Sam Ransbotham: Es bastante increíble, o puede serlo. ¿Cuál fue la primera carrera que deseaste?
Ayelet Israeli: No lo sé. En Israel, entras en el ejército. Yo estuve en el ejército. Fui teniente en inteligencia. No creo que fuera una carrera que necesariamente quisiera. Es algo que hice.
Sam Ransbotham: Hay mucha discusión y entusiasmo acerca de la IA. ¿Dónde se está abusando de ella? ¿Dónde se utiliza donde no se debe?
Ayelet Israeli: Creo que uno de los problemas que he visto es que se utiliza para hacer preguntas objetivas, porque no se trata de eso. No es un mecanismo de búsqueda de la verdad, y ese es un uso incorrecto.
Sam Ransbotham: OK. ¿Hay algo que Te gustaría que la IA pudiera hacer ahora mismo y no puede? ¿Cuál es la próxima cosa emocionante? ¿Qué anuncio de mañana le haría feliz?
Ayelet Israeli: Voy a plantear la pregunta de otra manera. Creo que lo que más me entusiasma de la IA en lo que respecta a mi investigación sobre el uso responsable de los datos y el sesgo algorítmico es que, sí, mucha gente ha demostrado que la IA puede generar resultados sesgados.
También sabemos desde hace muchos años que los humanos generan resultados sesgados. Y lo que me entusiasma de la IA es que es mucho más fácil corregir los resultados sesgados por una máquina y generar procesos que eliminen el sesgo, y es mucho más difícil con los humanos. Y eso es algo que me entusiasma.
Sam Ransbotham: Me encanta ese punto porque tenemos todo este sesgo y misoginia en nuestro mundo, no por las máquinas. Las máquinas no son las personas que nos ponen en esta situación en primer lugar.
El hecho de que tal vez hagan un poco de eso al principio, antes de que las hayamos entrenado, no deberíamos desecharlas por empezar por ese camino. Porque podemos ajustar los pesos en los modelos. Podemos dar retroalimentación a los modelos para mejorarlos de una manera que no podemos con miles de millones de personas.
Ayelet Israeli: Así es.
Sam Ransbotham: Así que creo que es un gran punto.
Ayelet Israeli: Y hemos visto los primeros modelos de imágenes gen AI. Si dices “médico”, solo vemos fotos de hombres o cosas así. Y con el tiempo, esto ha mejorado mucho.
Así que es muy emocionante, ¿verdad? Podemos intentar pensar en cómo solucionar algunos problemas sociales utilizando estas cosas porque, sí, las máquinas pueden manipularse más fácilmente que los humanos. Por supuesto, eso es un riesgo, pero eso es para algún podcast de ciencia ficción, no para este.
Sam Ransbotham: El ejemplo del médico de la imagen da en el clavo, porque creo que a mucha gente le fascinó la precisión de estos modelos porque le parecían correctos.
Confirmaban nuestros estereotipos. Pides esta imagen y te da exactamente lo que piensas que es esa imagen, pero eso no hace más que alimentar el problema de nuevo. Y eso va a perpetuarlo.
Shervin Khodabandeh: Ayelet, muchas gracias. Ha sido muy perspicaz e interesante. Gracias por venir al programa.
Ayelet Israeli: Muchas gracias por invitarme. Ha sido divertido.
Sam Ransbotham: Gracias por estar con nosotros hoy. En nuestro próximo episodio, Shervin y yo hablamos con Miqdad Jaffer, jefe de producto de Shopify.
Allison Ryder: Gracias por escuchar Me, Myself, and AI. Creemos, como tú, que la conversación sobre la implementación de la IA no empieza y termina con este podcast.
Por eso hemos creado un grupo en LinkedIn específicamente para oyentes como tú. Se llama AI for Leaders, y si te unes a nosotros, podrás charlar con los creadores y presentadores del programa, hacer tus propias preguntas, compartir tus puntos de vista y acceder a valiosos recursos sobre la implementación de la IA del MIT SMR y BCG.
Puedes acceder visitando mitsmr.com/AIforLeaders. Pondremos ese enlace en las notas del programa, y esperamos verte allí.
Sam Ransbotham (@ransbotham) es profesor del departamento de sistemas de información de la Carroll School of Management del Boston College, Shervin Khodabandeh es socio sénior y director gerente de BCG y colíder de BCG GAMMA (la práctica de IA de BCG) en Norteamérica. Puedes ponerse en contacto con él en shervin@bcg.com.
Me, Myself, and AI es un podcast en colaboración de MIT Sloan Management Review y Boston Consulting Group, presentado por Sam Ransbotham y Shervin Khodabandeh. Nuestro ingeniero es David Lishansky, y las productoras coordinadoras son Allison Ryder y Sophie Rüdinger.