Autor: Ana Urdaneta. Médica Epidemióloga. Miembro Fundador de AIpocrates.
“I do not fear computers. I fear the lack of them.” Isaac Asimov
La Inteligencia Artificial (IA) está transformando los sistemas de salud y los negocios a nivel global – pero no al ritmo vertiginoso al que hace algunos años hubiéramos esperado que sucediera. En la última década hemos sido testigos de múltiples proyectos e iniciativas basadas en algoritmos de IA para guiar la toma de decisiones en salud – desde sofisticados algoritmos diseñados como guía para oncólogos sobre decisiones terapéuticas, hasta revolucionarias soluciones que prometían aparear pacientes con estudios clínicos y proveer información relevante a la compañías farmacéutica acerca del desarrollo de medicamentos – pero muchas de estas sofisticadas soluciones han fracasado estrepitosamente y la proporción de organizaciones (clínicas, hospitales, empresas en salud) que han logrado incorporar efectivamente la IA en sus procesos corporativos es preocupantemente limitada y una inmensa mayoría ve con sorpresa como, después de invertir una cantidad considerable de recursos en una destellante y prometedora idea piloto, esta se desvanece con el trascurrir del tiempo siendo consumida por la inercia.
¿Cuál es la razón para este progreso subóptimo? Al nivel más profundo, es quizás un reflejo del fracaso de reestructurar las bases de una organización[AERC1] . Resulta evidente que, en paralelo al vertiginoso desarrollo que han experimentado las tecnologías que habilitan la IA, como las plataformas de desarrollo, capacidad de procesamiento y almacenamiento de datos a precios asequibles, es [AERC2] igualmente critico transformar la cultura organizacional de manera simultánea, modificando la estructura y los procesos de las organizaciones, lo cual se constituye como un desafío de liderazgo muy interesante. A continuación veremos cuales son las conductas más frecuentes que llevan a este ritmo subóptimo de implementación.
Error #1: Estructuras en Silos
El poder de la multifuncionalidad: Transformar una estructura distribuida en silos a una colaboración interdisciplinaria.
Uno de los errores más frecuentes -y de mayor impacto- que limita la adopción de IA en las organizaciones es asignar el desarrollo y ejecución de iniciativas de IA a equipos digitales exclusivamente, sin involucrar expertos temáticos ni usuarios finales en el desarrollo de la idea. El mayor impacto de los proyectos de IA es logrado cuando son desarrollados a través de equipos multifuncionales que aporten una variedad necesaria de habilidades y perspectivas[AERC3] (ver https://aipocrates.org/2021/08/29/lecciones-para-equipos-exponenciales-desde-la-fabrica-de-innovacion/). Resulta crítico que aquellos equipos encargados de ejecutar las iniciativas de IA cuenten con una combinación de miembros expertos en IA, pero también expertos clínicos, miembros del equipo directivo y administrativo y usuarios finales. Solo de esta manera es posible asegurar la articulación de los programas de IA con las prioridades organizacionales, asegurando dicha priorización en la asignación de recursos, elemento determinante para asegurar el éxito de estas. De la misma manera, involucrar usuarios finales desde el diseño del proyecto incrementa dramáticamente su adopción.
Error #2: Proceso de Toma de Decisiones Jerárquico
Proceso de toma de decisiones – Migrar desde decisiones tomadas por el jefe, basadas en la experiencia y la jerarquía hacia decisiones tomadas por los equipos de primera línea, basadas en datos
Uno de los desafíos más importantes en la implementación efectiva de IA, es la transformación del tradicional modelo jerárquico de toma de decisiones -tan prevalente en la práctica médica- en donde las decisiones son tomadas por la persona del equipo con más experiencia, quien es el naturalmente designado para dirigir las acciones del equipo en un abordaje de arriba hacia abajo.
La única manera de lograr la adopción amplia y universal de la IA es que todos los empleados de la cadena jerárquica fortalezcan su propio criterio e intuición a la hora de decidir sobre las recomendaciones del algoritmo de IA para, así, arribar a una solución de mayor calidad que la que un humano o una maquina pudieran alcanzar aisladamente. Pero este modelo requiere transformar activamente el inerte y tradicional modelo, fortalecer habilidades en el proceso de toma de decisiones de los miembros del equipo menos experimentados y, quizás más importante, construir confianza en la calidad de las decisiones y en las sugerencias del algoritmo de IA. Si los equipos en salud continúan consultando a su jefe antes de tomar acción, y si el jefe no se siente del todo cómodo permitiendo que los miembros de su equipo tomen las decisiones, esto inhibirá de manera inevitable el uso de la IA.
Error # 3: Producto Perfecto vs Producto Viable
Concepto de Mínimo Producto Viable: Transición desde una cultura rígida, aversiva al riesgo hacia una cultura ágil, experimental y adaptable
Un aspecto fundamental para la adopción de la IA es la mentalidad de la cultura organizacional: las organizaciones deben comprender que no es necesario que una idea se encuentre completamente finalizada y perfeccionada hasta el último de los detalles para ser lanzada, por el contrario, en IA el proceso de evolución de una iniciativa consiste en una serie de múltiples iteraciones donde, entendiendo el error como fuente de aprendizaje, se prueban en el mercado diferentes versiones de la iniciativa, asegurándose de considerar cuidadosamente la retroalimentación del usuario final e incorporando nuevos elementos al producto hasta alcanzar la mejor versión. La Figura 1 detalla el concepto del mínimo producto viable, el cual con una mentalidad de prueba y error, se comienza con una primera iteración de la idea que es el mínimo producto viable el mismo que al ser expuesto al usuario final sufre transformaciones necesarias para mejorar su funcionalidad, se reformulan los errores como fuentes de descubrimiento y se reduce como consecuencia el miedo al fracaso. De esta manera se alcanza la agilidad necesaria permitiendo a pequeños equipos de IA acelerar sus desarrollos en termino de semanas, en vez de meses o años.
Adaptado de Henrik Kniberg, http://www.gazafatonarioit.com/2020/09/entiende-el-mvp-producto-minimo-viable.html
Preparación para el éxito: Pasos fundamentales para preparar la transición hacia la IA en una organización
Los conceptos descritos previamente de la Multifuncionalidad, el Proceso de toma de decisiones basadas en datos y el mínimo producto viable, resultan apenas lógicos al reflexionar sobre los elementos habilitantes para la incorporación efectiva de IA en una organización; sin embargo, estos cambios fundamentales no ocurren naturalmente y requieren de un liderazgo determinado que prepare, motive y equipe a su organización con el conocimiento y la mentalidad necesarios.
Y el rol del líder debe comenzar preparándose a sí mismo construyendo una comprensión fundamental de los conceptos de IA. Considere entonces dedicar suficiente atención a los siguientes elementos:
Paso 1: Explicar el Porque
Una de las razones más frecuentes que explican la resistencia de los equipos a la hora de incorporar proyectos de AI es el miedo a que sus roles sean reemplazados por algoritmos de IA. El rol del líder será el de empatizar con este sentimiento y construir una historia coherente y atractiva que permita a la organización comprender la urgencia de implementar nuevas iniciativas y como serán de beneficio para ellos mismos.
Los líderes deberán brindar una visión que alinee a todos los miembros de la organización alrededor de un objetivo común, en donde cada colaborador comprenda la importancia de la IA y como cada uno de ellos encaja en una cultura nueva, orientada hacia la IA. En particular, resulta imperativo reafirmar que la IA será un mecanismo a través del cual sus roles serán mejorados y optimizados, en vez de disminuidos o eliminados.
Paso 2: Anticipar barreras para el cambio
Algunos obstáculos, como el miedo de los trabajadores de volverse obsoletos, son comunes a través de diferentes organizaciones. Pero la cultura de una organización puede tener características distintivas que contribuyan a la resistencia para la adopción de IA y será el rol del líder identificar tempranamente estas barreras únicas en su organización – y superarlas exitosamente. Por ejemplo, aquellos miembros del equipo que consideren que su valor como empleados es el de sintonizarse con las necesidades de los pacientes, pueden rechazar el concepto que un algoritmo de IA tenga mejores y más precisas ideas de lo que los pacientes quieren o necesitan e ignoren como consecuencia las recomendaciones de la herramienta de IA. Otra situacion son aquellos jefes de servicio que consideran que su estatus se basa en tomar decisiones terapéuticas complejas, pueden objetar un proceso de toma de decisiones descentralizado e ignorar, una vez más, las recomendaciones del algoritmo.
El rol de los lideres será el de anticipar estas barreras, construir un concepto donde se identifique claramente como la iniciativa de IA se alinea con los valores organizacionales (seguridad del paciente, bienestar del trabajador sanitario y administrativo, desarrollo ambiental y financieramente sostenible y sustentable , entre otros) y comunicar de una manera temprana, clara y precisa la forma como esta nueva cultura va a optimizar el desenlace, haciendo el trabajo de los colaboradores más eficiente y efectivo.
Otro elemento para considerar es el de los incentivos (monetarios o de reconocimiento) como elementos que moldean el comportamiento humano: establecer un programa de reconocimiento a los equipos que más rápidamente adopten un algoritmo de IA o premiar los equipos que mejoren la experiencia del usuario final apalancando su experiencia con la IA, pueden ser estrategias efectivas que aceleren la adopción.
Paso 3: Balancear el impacto y factibilidad de una iniciativa de IA
Por su sofisticación y prometedor impacto, resulta frecuente que las organizaciones se enfoquen únicamente en proyectos de IA complejos (Proyectos Sostenibles en la Figura 2), que requieren inversiones significativas -tanto en tiempo como en dinero- y cuya ejecución tarda más de un año en realizarse. El riesgo de este enfoque es el de perder la capacidad de evidenciar resultados en el corto plazo, desgastando la credibilidad en las iniciativas digitales y perdiendo motivación y compromiso de equipos administrativos y de usuarios finales.
Por otro lado, cuando las organizaciones se enfocan exclusivamente en iniciativas que toman la forma de proyectos piloto, sin un plan concreto que permita el rápido aprendizaje y escalabilidad de la idea, se limita el impacto de las iniciativas restando credibilidad en el concepto y la posibilidad de ejecutar proyectos de mayor escala e impacto.
Un enfoque más balanceado sería el de considerar un portafolio de iniciativas de IA compuesto por proyectos de tipo Ganancias Tempranas (Figura 2), que por su baja inversión y elevado impacto van a robustecer la credibilidad y posicionamiento de la IA como concepto; combinados con proyectos tipo Piloto, de rápida y fácil ejecución que comiencen como mínimos productos viables y que, a través de múltiples iteraciones ganen escala e impacto; y, de la misma manera, asegurándose de incluir iniciativas del tipo Proyectos Sostenibles, que por su magnitud requieran de una inversión considerable pero que por su elevado impacto movilicen la organización hacia la verdadera transformación digital.
Conclusión – El Efecto Halo de la IA
Las acciones que promueven la escalabilidad de la IA crean un circulo virtuoso en donde la movilización de una organización desde una estructura en silos hacia una estructura multidisciplinaria combina diversas habilidades y perspectivas con lo que los trabajadores comienzan a absorber nuevas prácticas de colaboración. En la medida en que trabajan de manera cercana con otras funciones y geografías, los trabajadores comienzan a ampliar su horizonte de pensamiento y a re-imaginar procesos enteros y modelos operativos. Esta nueva cultura de colaboración favorece a la organización en la medida en que brinda un mejoramiento continuo a diferentes procesos y modelos, trascendiendo a las iniciativas de IA.
De la misma manera, cuando las herramientas de IA se diseminan a través de la organización, los trabajadores ganan confianza en su criterio potenciado para la toma de decisiones, aplanando estructuras jerárquicas, brindando agilidad a los equipos quienes tienen ahora mas tiempo para mayor colaboración y, una vez más, atreverse a pensar en grande.
Finalmente, cuando las organizaciones incorporan el concepto de mínimo producto viable a su cultura organizacional, incorporan a su vez la mentalidad de concebir al error como una fuente de aprendizaje y de alcanzar la mejor versión a través de múltiples iteraciones con la retroalimentación del usuario final. Esta mentalidad acelera la adopción de la innovación en general y de la incorporación de iniciativas de IA.
Al final del día, aquellas organizaciones que resulten exitosas transformando su cultura organizacional hacia un modelo digital y tomen la delantera en implementar iniciativas de IA, van a encontrarse con una gran ventaja en un mundo en el cual los mejores y más rápidos resultados van a ser alcanzados a través de la coordinación entre humanos y maquinas, superando de lejos la capacidad de unos y otros trabajando de manera separada.
Lecturas Recomendadas
World Economic Forum. Empowering AI Leadership: AI C-Suite Toolkit. J A N U A R Y 2 0 2 2
Harvard Business Review. Building the AI-Powered Organization. Technology isn’t the biggest challenge. Culture is. July 2019
Lecciones para equipos exponenciales desde la fábrica de innovación, disponible en https://aipocrates.org/2021/08/29/lecciones-para-equipos-exponenciales-desde-la-fabrica-de-innovacion/
aipocrates.org 