El transporte y la logística no es un sector que deba dejar entrar la IA desde fuera. El software de planificación, el track-and-trace, la optimización de rutas y los sistemas de gestión de almacenes llevan décadas funcionando aquí. Eso da una apariencia de ventaja: hay datos, hay sistemas, hay una cultura de medir y optimizar. Pero la medición de madurez de hybridresourcing muestra que esto es algo distinto de la preparación para la IA. Una organización puede ser excelente en sistemas operativos y, aun así, seguir estando en las dimensiones fundamentales —organización, infraestructura de TI, gestión de datos— en el nivel de base o de fundamento. La pregunta no es si hay sistemas, sino si esos sistemas se comunican entre sí y si la organización a su alrededor está preparada para construir algo nuevo sobre ellos.
Dentro del transporte y la logística, la relación entre empresas varía mucho según el tipo de actividad. Una empresa dedicada principalmente a la planificación y la coordinación, con desarrollo propio de software y un departamento de TI capaz de conectar sistemas entre sí, suele estar más cerca de activación o insight. Una empresa dedicada principalmente a la ejecución —conducir, cargar, descargar— y que trabaja con un conjunto de subsistemas de distintos proveedores, suele seguir en fundamento. La mayor parte del sector se encuentra en algún punto entre esas dos posiciones, con una capa fundamental mejor desarrollada que en muchos otros sectores, pero con una gestión de datos que se queda atrás: los datos suelen estar en silos por sistema, por sede, por cliente, sin que nadie sea el propietario del conjunto.
Eso coloca al transporte en una posición distinta respecto a sectores donde precisamente la estructura organizativa es el cuello de botella. En los servicios profesionales, a menudo el problema es la propia recopilación de datos, porque el trabajo consiste en gran parte en comunicación no estructurada. En el transporte, en cambio, hay muchos datos estructurados —ubicaciones, horarios, pesos, temperaturas— pero esos datos están dispersos en sistemas que no fueron construidos para comunicarse entre sí. Es un tipo de rezago distinto de la falta de datos; es una falta de coherencia.
En una ronda de puntuación en la que distintas personas puntúan por separado, en las empresas de transporte suele aparecer un patrón reconocible. La dirección operativa puntúa alto la infraestructura de TI, porque los sistemas que usan a diario funcionan bien para su propio proceso. TI o un CIO puntúa esa misma dimensión más bajo, porque saben cuánto trabajo manual se necesita para transferir datos entre sistemas. Esa dispersión no es un error de medición. Es la diferencia entre un sistema que funciona para la tarea para la que fue construido y una infraestructura apta para construir nueva funcionalidad. Para las aplicaciones de IA, es precisamente esa segunda pregunta la relevante, y rara vez se plantea durante la operación diaria.
Las siete dimensiones se construyen unas sobre otras, y en el transporte esa construcción se ve claramente. Sin una capa de gestión de datos que reúna la información de los sistemas de planificación, la telemática y los portales de clientes, una aplicación de IA no tiene nada consistente sobre lo que entrenar o reaccionar. Las empresas que se saltan este paso e inician directamente un piloto de IA en un solo subproceso —por ejemplo, mantenimiento predictivo en un solo tipo de camión— a menudo constatan que el resultado no se escala al resto de la flota, simplemente porque los datos subyacentes no se han registrado de la misma manera. Eso no es un fallo técnico de la IA, sino una señal de que la capa fundamental aún no está terminada.
Este orden no se aplica solo al transporte. En el sector agrario se presenta el mismo problema con datos de sensores que se registran de forma distinta según el cultivo o la empresa, y en el comercio minorista se ve reflejado en los datos de inventario y ventas que están separados por cadena de tiendas o canal. El transporte se distingue por el volumen de datos estructurados que ya existen, lo que hace que el paso fundamental sea a la vez más fácil y más tentador de saltarse: más fácil porque los bloques ya están ahí, más tentador porque da la sensación de que ya se ha avanzado mucho.
La medición de madurez de hybridresourcing plasma este patrón en cinco niveles, de base a inteligencia, repartidos en las siete dimensiones. Para una empresa de transporte, eso suele arrojar un perfil con una capa operativa fuerte y una capa de datos y organización más débil, con diferencias que pueden ser grandes entre unidades de negocio o sedes. Ese perfil no dice nada sobre si la IA funcionará o no, ni nada sobre un plazo de tiempo. Muestra qué dimensión retiene en este momento a las demás, y esa es exactamente la información necesaria antes de que una organización decida por dónde empezar. La herramienta que realiza esta medición está en desarrollo; quien quiera trabajar con ella en cuanto esté disponible puede inscribirse en la lista de espera.
Esta página trata sobre si la organización puede sostener la IA, sobre si los fundamentos de organización, infraestructura y datos están en orden antes de construir algo sobre ellos. Esa es una pregunta distinta de qué parte del trabajo en sí puede asumir la IA. Para esa pregunta, a nivel de tareas individuales dentro de la planificación, el transporte y la administración logística, existe el escáner de trabajo de FTE TO AI: calcula, por tarea, qué parte de ella puede asumir la IA, independientemente del nivel en que se encuentre la organización a su alrededor. Quien quiera saber dónde está la organización, empieza por esta medición; quien quiera saber qué ocurre con el trabajo en sí, lo encuentra en el escáner de trabajo.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.