Hoy cualquier empresa puede contratar los mismos modelos de inteligencia artificial que su competencia. Por eso la ventaja está en lo que solo tú tienes: tus datos. El historial de ventas y de operación de una empresa es información que ningún modelo genérico conoce. Bien organizada, permite construir predicciones y recomendaciones difíciles de copiar.
En este artículo revisamos esta idea a partir de la conversación del podcast Inteligencia Artificial para los Negocios con Mario Bustamante, CEO y fundador de Instacrops, una empresa de tecnología agrícola (episodio #180), y explicamos cómo lo abordamos en EvoConsulting en proyectos de análisis predictivo.
Si todos usan los mismos modelos, ¿dónde está la diferencia?
Los grandes modelos de lenguaje se entrenan principalmente con información pública. Responden muy bien preguntas generales, pero desconocen cómo se comportan tus clientes o en qué meses suben tus ventas.
En el episodio, Mario Bustamante contó que su empresa, después de años desarrollando sensores y software para el agro, vio de otra forma la información que había acumulado:
“Tenemos una mina de oro porque tenemos una base de datos de miles de sensores de muchos tipos de cultivo.”
(Mario Bustamante, CEO y fundador de Instacrops, en el episodio #180 del podcast Inteligencia Artificial para los Negocios)
Muchas empresas tienen su propia «mina de oro» sin saberlo, repartida en sistemas y planillas que no se conversan.
Lo que la IA genérica no sabe de tu negocio
La diferencia entre una respuesta genérica y una respuesta basada en datos propios quedó muy clara en el episodio:
“Yo le puedo preguntar a Claude cómo regar un cerezo, pero no es lo mismo que yo le pregunté a Instadrop cómo regar un cerezo, que él tiene información de sensores de campo de cientos de miles de riegos en cerezos. No es algo genérico.”
(Mario Bustamante, en el episodio #180)
Instadrop es el asistente agrícola de Instacrops. Según explicó Mario, su principal diferenciación son los datos: una red de unos 5.000 sensores e información propietaria que otros no tienen. También mencionó que los agricultores de Latinoamérica no escriben en foros cómo riegan, así que ese conocimiento no está en los datos con que se entrenan los modelos generales.
Para una empresa de cualquier industria, la pregunta es la misma: ¿qué sabemos nosotros, gracias a nuestros datos, que un modelo genérico no puede saber?
De datos dispersos a predicciones útiles
El caso que se contó en el episodio ilustra un camino que se repite en otras industrias.
Juntar fuentes propias y externas
Mario relató que Instacrops desarrolló, para una gran exportadora, un modelo que estima cuántos kilos se van a cosechar y en qué fecha. Para eso combinaron datos de su red de sensores, información agroclimática y satelital, y el historial de los productores. Según explicó, con esa predicción la exportadora puede preparar su línea de producción, el embalaje y la negociación de contratos por volumen.
También describió fuentes muy distintas entre sí: sensores propios y de terceros, el sistema de riego, el Excel del productor y fuentes externas abiertas. Para empezar a generar valor, basta con que esas fuentes estén conectadas.
Combinar modelos clásicos y modelos fundacionales
Otro punto del episodio: Instacrops mezcla machine learning «tradicional» e IA generativa. Usa modelos de regresión y modelos propios, y aprovecha los modelos fundacionales para conversar con los usuarios y recoger información del campo en lenguaje natural.
Reentrenar: los datos mejoran con el tiempo
Un modelo predictivo necesita mantención. Como contó Mario:
“Todos los años estamos haciendo reentrenamiento porque los volúmenes de datos son cada vez más importantes.”
(Mario Bustamante, en el episodio #180)
Cada temporada suma historia y nuevas variables, y eso hace que los modelos mejoren. Aquí se ve la ventaja acumulativa de los datos propios: mientras más tiempo los recolectas y ordenas, más difícil es igualarte.
De mostrar datos a recomendar acciones
En el episodio, Mario planteó que los sensores ya son un commodity y que el valor se está moviendo hacia los agentes: pasar de entregar un gráfico con la temperatura del campo a decirle al productor que riegue ahora, por 3 horas. También dijo que no todos los clientes están en el mismo punto de esa escalera tecnológica y que no se puede saltar etapas.
Esa evolución, de reportar a predecir y de predecir a recomendar, es útil para cualquier empresa:
- Ver: tener datos confiables y tableros que muestren qué pasó.
- Anticipar: modelos que estiman qué va a pasar (demanda, fuga de clientes, cosecha, quiebres de stock).
- Recomendar: sistemas que sugieren qué hacer, con una persona validando la decisión.
Según planteó Mario para el agro, en esa escalera no se pueden saltar etapas.
La mirada de EvoConsulting: partir por la madurez de tus datos
En EvoConsulting trabajamos este camino en dos servicios complementarios: business intelligence, para ordenar y visualizar los datos, y análisis predictivo y machine learning, para construir modelos que anticipan resultados.
Antes de hablar de modelos, solemos partir por un diagnóstico de madurez analítica: qué datos existen, dónde están, qué calidad tienen y qué decisiones de negocio podrían mejorar. En un proyecto con una empresa importadora de vehículos, por ejemplo, el trabajo consistió en evaluar la madurez de la compañía en analítica de datos y construir una hoja de ruta de iniciativas para avanzar hacia un modelo más guiado por datos.
Nuestro criterio es combinar tecnología y negocio: un modelo predictivo solo vale la pena si cambia una decisión concreta, como cuánto comprar o qué precio fijar.
Preguntas frecuentes
¿Por qué los datos propios son una ventaja competitiva en IA?
Porque los modelos generales están disponibles para todos y se entrenan con información pública. Los datos de tu operación y tus clientes solo los tienes tú, y permiten predicciones específicas para tu negocio.
¿Necesito datos perfectos para empezar un modelo predictivo?
No. Necesitas datos suficientes y conectados en torno a una decisión concreta. Un diagnóstico de madurez ayuda a saber qué falta.
¿Qué diferencia hay entre business intelligence y análisis predictivo?
El business intelligence muestra y explica lo que pasó. El análisis predictivo estima lo que probablemente va a pasar para apoyar decisiones futuras.
Artículo elaborado a partir del episodio #180 del podcast Inteligencia Artificial para los Negocios. Borrador con apoyo de IA, revisado y editado por el equipo de EvoConsulting.