Es hora de entusiasmarse con la aburrida IA

El procesamiento de facturas es un componente fundamental y crítico de las operaciones empresariales. Pero es una tarea pesada. Cada proveedor tiene sus propias peculiaridades, cada factura su propia nomenclatura: el "plazo de pago de 15 días" de una empresa es el "pago en dos semanas" de otra. Incluso si las facturas proceden del mismo proveedor todos los meses, los agentes de compras cambian, los formatos varían y los errores se dan. Y las facturas son solo la punta del iceberg de la documentación. Todos los días, en todas las empresas, en todos los niveles de administración y operaciones, los empleados tienen que extraer detalles de contratos, arrendamientos, formularios fiscales, encuestas y otros documentos.

¿La buena noticia? La inteligencia artificial (IA) ofrece formas de realizar estas tareas complejas e integradas de manera más eficiente. Estas soluciones son fluidas y escalables, y fáciles de gestionar. Utilizando una variedad de técnicas innovadoras de IA, las organizaciones pueden procesar los documentos más rápidamente y simplificar los procedimientos operativos; menos errores significan menos correcciones y retractaciones. Una investigación reciente de PwC sobre la automatización de los análisis reveló que las técnicas de extracción más rudimentarias basadas en la IA pueden ahorrar a las empresas entre un 30 y un 40% de las horas que se suelen dedicar a estos procesos.

Todos conocemos el uso de la IA que cambia el patrón de las recomendaciones de Netflix, los chatbots que suplantan a los agentes de atención al cliente en línea, la fijación de precios dinámicos de las habitaciones de hotel y la creación de rutas para las empresas de reparto. Estos esfuerzos son los motores de creación de valor de innumerables empresas grandes y exitosas. De lo que estamos hablando aquí es de un uso de la IA decididamente menos llamativo y, a primera vista, más comun: su objetivo es reducir costos y optimizar las operaciones en lugar de transformar o crear industrias. Pero esta aburrida IA en realidad es bastante emocionante, porque se enfrenta a problemas con los que todas las empresas luchan, además de que las ganancias de productividad, y por lo tanto los márgenes y las valoraciones, son reales.

Sin embargo, a pesar de su enorme potencial, el informe AI Predictions 2021 de PwC descubrió que solo el 28% de los ejecutivos ha priorizado el uso de la IA y el aprendizaje automático para la extracción de información, significativamente menos que para otros usos, como los chatbots y las soluciones para la seguridad laboral. Es probable que algunos líderes se sientan abrumados por el tiempo y los recursos necesarios para desarrollar e integrar estas tecnologías avansadas. Algunos dudarán en confiar en la IA o se sentirán escépticos sobre su uso. Otros pueden simplemente pasar por alto el valor de la extracción de información automatizada porque es una función de apoyo administrativo. Sea cual sea el motivo, están perdiendo una oportunidad de agilizar los procesos y mejorar el retorno de la inversión.

El 28% de los ejecutivos ha priorizado el uso de la IA y el aprendizaje automático para la extracción de información.

El problema del papeleo

Cualquier empresa que audite los libros de un cliente dedica un enorme número de horas cada año a recopilar pruebas y verificar las transacciones para confirmar que los saldos y transacciones asociados a los estados financieros del cliente son correctos; esto se conoce como "prueba de control.” Durante casi tres décadas, los trabajadores han utilizado hojas de cálculo (primero Lotus 1-2-3, luego Microsoft Excel) como herramienta principal para completar la prueba de control.

Hoy en día, las pruebas para estas auditorías suelen aparecer en forma de PDF (facturas, cuentas y recibos) y pueden llegar a tener miles de páginas. La información contenida en estos PDF debe introducirse manualmente en la hoja de cálculo. Para una empresa mediana que procesa 100.000 páginas de documentos al año a razón de tres minutos por página, se necesitarían aproximadamente 5.000 horas, por persona para completar la tarea; a 50 dólares por hora, eso supone 250,000 dólares.

Ahora, ¿qué pasaría si la misma empresa pudiera implementar la inteligencia aumentada? Este es el término para las aplicaciones basadas en sistemas adaptativos impulsados por el aprendizaje automático en los que los algoritmos aprenden de la experiencia humana, pero los humanos toman la decisión final. La herramienta de IA puede "leer" el texto de cada una de las facturas y utilizar la búsqueda de datos en relación para identificar rápidamente la documentación de apoyo que la organización había etiquetado previamente como importante, un poderoso atajo cuando se trata de gestionar millones de excepciones a las facturas. Aunque las facturas en papel pueden ser únicas para cada proveedor, las técnicas de IA pueden identificar campos importantes en las diferentes facturas, como el costo unitario y la cantidad, y calcular los saldos para los libros de manera automática. Aplicando una solución de IA y asumiendo la estimación del 40% anterior, la empresa mediana del ejemplo podría ahorrar 2,000 horas por cada 100,000 páginas procesadas.

Se necesita un 40% menos de horas para procesar el papeleo rutinario cuando se aplican incluso las técnicas de extracción más rudimentarias basadas en la IA.

Otro problema de muchas empresas es la necesidad de interpretar y responder a las notificaciones fiscales o a las cartas emitidas por las agencias de ingresos del gobierno para los individuos y las empresas. En Estados Unidos, el gobierno federal tiene más de 100 notificaciones fiscales de este tipo, y los estados individuales tienen miles más, como: cambios de cuenta, solicitudes de pago, discrepancias en la declaración de impuestos. En todos los casos, alguien tiene que leer la carta, interpretarla, verificar su exactitud y aplicabilidad, catalogarla y, finalmente, responder. Es un proceso difícil y propenso a errores. Además de los típicos errores de introducción de datos, este tipo de documentos puede perderse literalmente en el camino, dando lugar a notificaciones perdidas, respuestas tardías y miles de horas de trabajo adicionales para rectificar la situación.

Como parte de una iniciativa interna de toda la empresa para fomentar un esfuerzo de automatización dirigido por los empleados, PwC utilizó inteligencia aumentada para leer y responder las notificaciones fiscales. La herramienta leyó muchos tipos de formularios, extrajo y comprendió los términos y frases que requerían acciones particulares, tales como fechas de vencimiento, códigos de notificación, cantidades adeudadas, sanciones por incumplimiento, etc. A continuación la herramienta utilizó técnicas de generación de lenguaje natural para crear respuestas de forma automática, sin necesidad de crearlas manualmente. En combinación con otras herramientas de extracción de información, así como con soluciones para el cumplimiento de la normativa, la planificación de escenarios y las situaciones fiscales internacionales, PwC redujo el tiempo normalmente necesario para ejecutar estas diversas tareas en más de 5 millones de horas, lo que supone un ahorro del 16%.

Cuando un humano verifica estas notificaciones fiscales, es una forma de inteligencia aumentada. Pero cuando las respuestas se envían automáticamente, se trata de inteligencia autónoma (un sistema de IA que se adapta y toma decisiones por sí mismo, sin intervención humana). Ambas opciones funcionan; se aplican en distintos ámbitos, según la tolerancia al riesgo. Las empresas que apliquen técnicas avanzadas para verificar patrones podrían identificar automáticamente las tendencias que pueden hacer que reciban avisos específicos, como añadir la misma información errónea en la misma sección de un formulario de impuestos, y evitar así esos avisos en el futuro, ahorrando tiempo y recursos.

Los datos digitales, como los obtenidos en una encuesta, también se enfrentan a los problemas del análisis manual. Cuando una empresa realiza una encuesta a sus empleados, por ejemplo, alguien tiene que recopilar y analizar los resultados. Pero incluso si la encuesta se realiza en línea (a diferencia de las respuestas en papel y lápiz, lo que abre un riesgo significativo de errores de introducción de datos), alguien tiene que compilar, analizar y resumir los datos. Esta tarea, que a menudo se delega a analistas novatos con un nivel básico de conocimientos estadísticos y experiencia, es también un campo minado de inexactitudes. Las relaciones entre las variables pueden ser erróneas y proclamarse significativas y transformadoras; lo que lleva a conclusiones equivocadas que alimentan estrategias defectuosas y poco fiables. Por ejemplo, las ventas de helados suelen tener una correlación positiva con la delincuencia. Por supuesto, las ventas de helados no son la causa de la delincuencia (o viceversa); simplemente, ambas aumentan cuando hace calor en verano.

Pero la comparación de grupos, la clasificación de los encuestados en categorías y la comprobación de diferencias significativas pueden automatizarse. Además, en el caso de las respuestas "libres" a preguntas como "¿Tiene alguna idea adicional sobre cómo podemos mejorar los beneficios para los empleados?", las técnicas de procesamiento del lenguaje natural pueden identificar temas importantes o destacados en las respuestas de los encuestados, resumir los puntos principales y generar informes automatizados. Este proceso reduce la necesidad de leer manualmente cientos o miles de respuestas a decenas de preguntas. En el caso de la pregunta anterior sobre las prestaciones, podría identificar las respuestas centradas en la asistencia sanitaria, la flexibilidad, el seguro de vida, etc. No obstante, las recomendaciones estáticas de estos sistemas de IA (un tipo de inteligencia asistida) siguen requiriendo el juicio y la toma de decisiones de las personas.

Herramientas de oficio

La extracción de información impulsada por la IA puede hacer frente a muchas de las ineficiencias y problemas comunes de los escenarios anteriores. Sin embargo, a diferencia de la robótica utilizada en la fabricación de soldaduras por puntos o pinturas en aerosol, la extracción de información con IA no es una actividad rutinaria. Esta requiere una serie de complejas técnicas de ciencia de datos que implican múltiples componentes dinámicos que deben adaptarse a condiciones siempre cambiantes. La integración de tecnologías de vanguardia, como el reconocimiento óptico de caracteres (OCR por sus siglas en inglés), el aprendizaje automático supervisado y los análisis automatizados que incorporan el procesamiento del lenguaje natural en un proceso sin fisuras, requerirá tiempo y conocimientos técnicos.

Pensemos en el OCR, que es la capacidad de leer los caracteres impresos en una página (incluso los escritos a mano) independientemente de la fuente, el tamaño, la orientación y el brillo. En la actualidad, nos encontramos con esta tecnología a menudo con el ingreso automático de cheques a través de nuestro teléfono, cuando el OCR lee no solo el número de ruta y el número de cuenta, sino también el importe y la fecha del cheque. El OCR es una tecnología más antigua, pero sigue siendo esencial como primer paso del proceso que recoge los datos relevantes de los documentos en cuestión.

Para muchos usos, convertir esos datos en acción requiere sofisticados algoritmos de aprendizaje automático que puedan reconocer y clasificar patrones. Los algoritmos de aprendizaje automático pueden calibrarse con los datos existentes para afinar sus parámetros, y luego desencadenarse con nuevos datos. Pueden calibrarse para reconocer patrones que son indicadores sofisticados pero sutiles de fraude monetario, como información mal escrita en una solicitud de préstamo o un número excesivo de transferencias o depósitos en efectivo. También pueden reconocer significados similares en diferentes contratos legales, tales como cláusulas de exclusión, limitación e indemnización, todas ellas relacionadas con exenciones.

Además, los algoritmos de aprendizaje automático pueden abordar y categorizar un conjunto de datos y entidades en diferentes grupos. La segmentación automatizada de clientes es un ejemplo bien conocido de esto, pero también es posible categorizar avisos de impuestos, cartas o cláusulas de contratos y se puede ahorrar una enorme cantidad de tiempo que, de otro modo, se invertiría en leer estos documentos.

Los avances en el procesamiento del lenguaje natural en los últimos años han sido impresionantes. Aunque no es necesario utilizar los algoritmos más avanzados, como la aplicación de generación de lenguaje natural GPT-3, la extracción de información con IA puede aprovechar algunos de estos avances al identificar el verdadero "significado" de un documento, mediante el reconocimiento de palabras contextuales, partes de la oración, etc. La IA en sí no entiende lo que dice (aunque pueda parecerlo), pero los algoritmos son capaces de generar resúmenes de documentos; identificar temas; juzgar el sentimiento (positivo o negativo) de la prosa; identificar términos, disposiciones o cláusulas clave dentro de los documentos; e identificar grupos de documentos que requieren acciones similares.

Combinando estas técnicas de IA, es posible leer y resumir documentos largos de terceros, competidores o fuentes internas de forma rápida y sencilla, y generar respuestas rápidas y adecuadas. En una aplicación en la que buscábamos 35 términos conceptuales diferentes (por ejemplo, "ley aplicable" o "fecha de terminación") en varios tipos de documentos, como préstamos y derivados, entrenamos inicialmente el sistema de IA utilizando solo cinco documentos y recibimos una puntuación F1 de 0,28. La puntuación F1 es una medida de precisión que combina matemáticamente los falsos positivos, los falsos negativos y los verdaderos positivos en una única puntuación; una puntuación F1 perfecta sería 1, mientras que una puntuación F1 sin valor sería 0. El entrenamiento posterior con 565 documentos más elevó esa puntuación F1 a 0,83, no perfecta, pero sí bastante buena.

Cada nuevo documento proporciona más contexto, un conjunto más amplio de ejemplos con los que el algoritmo puede entrenar sus parámetros y aumentar su precisión. No obstante, hay que tener en cuenta que la precisión no puede medirse únicamente por la puntuación F1 (por ejemplo, un modelo con una puntuación F1 de 0,60 podría producir exactamente lo que la empresa necesita). La puntuación F1 debe ser una guía, pero al final es el juicio humano lo que validará el modelo y su nivel de precisión.

Clasificación de la inteligencia artificial

La inteligencia automatizada se produce cuando se fijan tareas simples y repetitivas que no tienen ninguna participación humana.
La inteligencia asistida requiere el juicio y la toma de decisiones del ser humano, pero las recomendaciones proporcionadas por el sistema de IA no cambian.
La inteligencia aumentada se centra en sistemas adaptables que son impulsados por el aprendizaje automático en los que los algoritmos aprenden de la experiencia de los humanos, pero la toma de decisiones en última instancia la realizan los humanos.
La inteligencia autónoma es cuando el sistema de IA es adaptable y toma decisiones por sí mismo, sin la participación humana.

El elemento humano

Las herramientas de IA tienden a ser muy precisas, pero cuando cometen errores, pueden ser absurdos y extraños. Mantener la supervisión humana durante la aplicación de estas técnicas de IA es crucial para garantizar la calidad, tanto para el entrenamiento del modelo como para la corrección final del resultado. El éxito de la aplicación requiere algo más que la adquisición de las herramientas. Las empresas también tendrán que tomar las siguientes medidas:

Crear una nueva plataforma (o reconfigurar una ya existente) que combine la gestión de datos, por ejemplo, las herramientas de automatización y las aplicaciones de IA, pero que también mantenga a las personas en contacto. Esta plataforma podría ser un portal central a nivel de empresa, en el que se podrían almacenar e intercambiar datos; cargar y descargar aplicaciones; y fomentar la colaboración y desarrollo conjunto a través de una interfaz de comunicación. Esta plataforma debería ser accesible para todos los miembros de la organización y debería ser receptiva a las innovaciones y aplicaciones dirigidas por los empleados, así como a las de los desarrolladores profesionales. Por supuesto, la democratización de estas potentes tecnologías debe realizarse de forma responsable; los directivos deben estar atentos a los posibles riesgos y ser conscientes de la necesidad de una formación y una gestión empresarial adecuada.

Desarrollar un programa de formación en toda la empresa centrado en la comprensión y la concienciación digital y analítica. Todo el mundo, en todas las áreas de la organización, tendrán que estar capacitados, desde el director general hasta el más reciente empleado de nivel básico. Las empresas deberían considerar la posibilidad de formar a muchos de estos empleados, no solo en el uso de estas herramientas de extracción de información que ahorran tiempo, sino también en los fundamentos de las tecnologías de IA que las sustentan. Con una mejor comprensión de las capacidades, los riesgos, las limitaciones y los supuestos de la IA, los empleados entenderán mejor cómo utilizar las herramientas de forma responsable y eficaz. Todas las organizaciones deben asegurarse de que sus empleados están familiarizados con las tecnologías actuales, y esta transformación solo se logrará si se consigue involucrar a toda la planilla.

Preste especial atención al impacto en los mandos intermedios, para quienes se le eliminará una parte importante de las tareas diarias. Esta es una realidad de la automatización: crea eficiencia al asumir algunas tareas que actualmente realizan los humanos. El mensaje importante que hay que transmitir a los directivos es que, al hacerlo, la IA les liberará para que se centren en los problemas más difíciles de resolver y para que trabajen en cuestiones que exigen el criterio o la creatividad humana, para que hagan más gestión y menos tareas repetitivas que aturden la mente.

Ofrezca con entusiasmo incentivos para que los que están en el nivel táctico utilicen estas herramientas y la nueva plataforma, más allá de citar los hechos relativos al potencial retorno de la inversión. Estos incentivos dependen de la cultura corporativa, pero podrían incluir KPI para las revisiones de rendimiento, bonificaciones en tiempo real, participación en un sorteo de un gran premio, etc. Incentivar el uso inicial de estas herramientas probablemente acelerará su aceptación. La gente se convencerá cuando empiece a ver cómo las herramientas mejoran su productividad.

Promueva el cambio de cultura designando a promotores de jerarquía que comuniquen de forma constante y frecuente las ventajas de la implementación de la IA. Transmitir que el uso de estas herramientas es estratégico se ve con buenos ojos y es bueno no solo para los clientes de la organización, sino también para la salud y el crecimiento de la misma, acelerará la adopción y hará que los cambios técnicos y culturales se mantengan.

Como una función de la IA, la extracción de información puede parecer muy simple, pero un examen más detallado revela lo contrario. Con soluciones automatizadas o aumentadas, las empresas tienen el potencial de agilizar procesos que tradicionalmente han sido lentos y propensos a errores, identificar oportunidades para añadir velocidad y eficiencia, y desbloquear nuevos conocimientos que contribuyan al crecimiento a largo plazo. Lo aburrido nunca ha parecido tan emocionante.

Robert N. Bernard es director de la empresa inteligente en PwC Labs. Cuenta con más de 25 años de experiencia en el desarrollo de analítica avanzada e inteligencia artificial, y en la formulación de estrategias analíticas en múltiples sectores, como la seguridad nacional y la inversión algorítmica. Radicado en el norte de Nueva Jersey, es director en PwC US.

Anand Rao es el Líder Global de PwC para la Inteligencia Artificial y Líder de Innovación para la sección de análisis de Estados Unidos. Tiene un doctorado en inteligencia artificial por la Universidad de Sydney y ha sido jefe de investigación científica en el Instituto Australiano de Inteligencia Artificial. Radicado en Boston, es Director de PwC US.

También contribuyeron a este artículo los directores de PwC US Jacob T. Wilson y Joe Harrington. Dirigen el laboratorio de IA de EE.UU. dentro de PwC Labs, y han ayudado a dirigir la creación de la plataforma de extracción de información de la firma estadounidense.