Ejemplos de implementación de la IA: cómo las empresas están aplicando la IA

Introducción

Probablemente no hace falta convencerte de que la inteligencia artificial es importante. La pregunta más difícil es dónde encaja en lo que ya gestionas.

Las organizaciones que utilizan bien la IA no son las que cuentan con más herramientas de IA. Son aquellas que han integrado la IA en experiencias de cliente y procesos empresariales específicos, y luego la han conectado a los datos y sistemas en los que ya se basan esos procesos. Un motor de recomendaciones que no tiene en cuenta el comportamiento del cliente no hace más que adivinar. Un asistente de IA sin acceso a los datos de las cuentas es, en esencia, una página de preguntas frecuentes con mejores modales.

Esta guía recoge ejemplos reales de implementación de la IA y seis aplicaciones prácticas de la IA que puedes evaluar para tu propia organización.

Ejemplos reales de implementación de IA de clientes de Liferay DXP

Las mejores historias de éxito de la IA no empiezan con la IA. Empiezan con un problema empresarial y una plataforma capaz de conectar la idea adecuada con los datos adecuados.

Así fue en el caso de dos clientes de Liferay DXP.

Incorporación de recomendaciones basadas en el aprendizaje automático al mayor portal de fidelización de Brasil

Con más de 15 millones de clientes, Smiles , el programa de fidelización de la aerolínea brasileña GOL, es el mayor programa de fidelización de Brasil. Tras su salida a bolsa, la empresa necesitaba un portal de clientes que se mantuviera estable durante los picos de tráfico promocionales y permitiera a sus equipos publicar contenido sin depender del departamento de TI.

Smiles reconstruyó ese portal en Liferay DXP en solo cinco meses. Como parte del proyecto, el equipo utilizó las API «headless» de Liferay para conectar el portal con el CRM de la empresa y con un motor de aprendizaje automático. Al vincular ambos sistemas, se facilitó al aprendizaje automático el acceso a datos reales de los clientes.

Smiles aprovechó esa conexión para crear una ventana de recomendaciones, una sección del portal que mostraba a cada cliente ofertas personalizadas de productos y servicios en función de su perfil. Dado que las recomendaciones se basaban en los mismos datos del CRM que alimentaban el resto del portal, reflejaban la relación real de cada cliente con el programa. La ventana de recomendaciones supuso un aumento del 46 % en la tasa de conversión.

Incorporación de recomendaciones basadas en IA a una plataforma de comercio unificado

Uno de los principales proveedores de telecomunicaciones de Oriente Medio partió de una situación diferente. Su aplicación de comercio electrónico heredada se basaba en un catálogo de productos descentralizado, por lo que incluso los cambios más básicos en los productos o las promociones tenían que pasar por el departamento de TI. A medida que el catálogo crecía, su gestión se volvía cada vez más difícil.

Para solucionarlo, la empresa adoptó una única plataforma de comercio Liferay DXP que daba servicio tanto a clientes B2B como a clientes B2C. El contenido de los productos, los precios, las promociones y la gestión de inventario se reunieron en un único lugar, y la plataforma se conectó con el CRM back-end de la empresa, las pasarelas de pago, el chatbot y los sistemas de envío. Las tiendas también comenzaron a funcionar como almacenes ampliados, lo que acercó aún más las operaciones de comercio electrónico a las de las tiendas físicas.

Una vez centralizados los datos de los productos, la empresa pudo desarrollar inteligencia artificial (IA) sobre esa base. Utilizando los servicios de IA y aprendizaje automático (ML) de Liferay, lanzó una herramienta de recomendación de productos para potenciar las ventas adicionales y las ventas cruzadas en más de 70 000 referencias (SKU). Las recomendaciones ofrecían a los clientes una forma más relevante de descubrir productos, mientras que la nueva plataforma redujo en un 93 % el tiempo necesario para configurar los productos. El proyecto ilustra el orden de las operaciones que hace que la IA funcione: primero, datos limpios y centralizados; después, la inteligencia.

6 ejemplos prácticos de implementación de la IA en las operaciones empresariales

La IA puede aportar valor en casi todas las áreas de una empresa, desde el servicio de asistencia hasta la cadena de suministro. Algunas aplicaciones se basan en el aprendizaje automático para detectar patrones y realizar predicciones. Otras utilizan IA generativa y grandes modelos de lenguaje para comprender preguntas y crear contenido, y las más eficaces suelen combinar ambas técnicas. Lo que tienen en común las implementaciones más sólidas es una clara vinculación con las necesidades empresariales reales y con los sistemas y datos que ya las respaldan.

1. Servicio de atención al cliente y autoservicio impulsados por la IA

Los equipos de atención al cliente dedican gran parte de su jornada a tareas rutinarias, como solicitudes de reembolso, comprobaciones del estado de los pedidos y consultas sobre facturación. Esas son precisamente las solicitudes que la IA gestiona bien, y su papel está creciendo rápidamente. Gartner prevé que, para 2029, la IA agéntica resolverá el 80 % de los problemas habituales de atención al cliente sin intervención humana, lo que supondrá una reducción del 30 % en los costes operativos.

Pero un asistente de IA solo es tan útil como sus conexiones. Integrado en un portal de autoservicio para clientes que ya sabe quién es el cliente y qué ha pedido, un asistente de IA conversacional puede recurrir a tu base de conocimientos, a los datos de la cuenta y al sistema de gestión de casos para resolver las solicitudes, en lugar de limitarse a responder a las preguntas frecuentes. Cuando una solicitud se complica, se deriva a un agente humano.

Entre las ventajas potenciales se incluyen tiempos de respuesta más rápidos, un menor volumen de solicitudes de asistencia y una mejor experiencia del cliente. Realiza un seguimiento del tiempo de resolución, la reducción de tickets y la satisfacción del cliente para comprobar el impacto.

2. Recomendaciones de productos y experiencias de cliente personalizadas

Los clientes esperan que las interacciones en línea sean relevantes, y el aprendizaje automático cubre esa brecha analizando el comportamiento de los clientes, el historial de compras y los catálogos de productos para recomendar lo que cada persona tiene más probabilidades de desear. Los algoritmos de IA se encargan de la predicción, pero la plataforma se encarga de la entrega. Las recomendaciones deben basarse en datos de CRM y de comercio, y luego aparecer allí donde los clientes interactúen, desde escaparates y portales hasta programas de fidelización, mediante reglas de personalización que los equipos de marketing pueden gestionar por sí mismos.

3. Búsqueda inteligente y gestión del conocimiento

La mayoría de las organizaciones ya disponen de las respuestas que necesitan sus empleados y clientes. El problema está en encontrarlas. En una encuesta de Gartner realizada a casi 5.000 trabajadores digitales, el 47 % afirmó que le cuesta encontrar la información o los datos que necesita para realizar su trabajo de forma eficaz.

La IA generativa cambia el funcionamiento de la búsqueda. En lugar de buscar coincidencias de palabras clave, la búsqueda semántica utiliza un modelo lingüístico para interpretar la intención que hay detrás de una pregunta en lenguaje natural y mostrar el contenido más relevante. Entiende lo que la gente quiere decir, no solo lo que escribe. Además, debe respetar los permisos que ya hayas establecido, de modo que los usuarios solo vean lo que están autorizados a ver.

En el caso de las intranets para empleados , los portales para socios y los sitios de asistencia, la búsqueda impulsada por IA suele ser la forma más rápida de demostrar el valor de la IA: menos tiempo dedicado a buscar, menos tickets de asistencia y equipos más productivos. Mide la tasa de éxito de las búsquedas, el tiempo que se tarda en encontrar la información y los tickets evitados.

4. Análisis predictivo y toma de decisiones basada en datos

El análisis predictivo utiliza la IA para identificar patrones en los datos históricos y operativos, de modo que los equipos puedan actuar antes de que surja un problema, en lugar de después. Resulta especialmente valioso cuando es necesario reunir datos complejos procedentes de varios sistemas para mostrar algo que ningún informe por sí solo puede revelar.

Así es como podría aplicarse en diferentes sectores:

• Un fabricante podría combinar las lecturas de los sensores sobre el estado de los equipos con el historial de mantenimiento para programar las revisiones antes de que se produzca una avería.
• Un minorista podría prever la demanda a partir del historial de ventas y las tendencias del mercado para mejorar la gestión del inventario y detectar retrasos en la cadena de suministro.
• Un proveedor de energía podría predecir el consumo de energía por región, identificar a los clientes con mayor probabilidad de darse de baja y, a continuación, enviar un mensaje oportuno a través de su portal de clientes.
• Una empresa de servicios financieros podría señalar transacciones inusuales antes de que se conviertan en pérdidas económicas, utilizando el mismo reconocimiento de patrones que se emplea en la detección de fraudes.

En todos los casos, una predicción solo genera valor si llega a alguien que pueda actuar en consecuencia. Conectar los flujos de datos y los servicios de análisis con los portales, los paneles de control y los flujos de trabajo en los que ya operan los equipos es lo que convierte la información útil en decisiones basadas en datos, una asignación más inteligente de los recursos y una gestión de la cadena de suministro que se adapta a medida que cambian las condiciones. Realiza un seguimiento de la precisión de las previsiones, la retención y el tiempo de intervención para medir el impacto en la toma de decisiones.

5. Gestión de contenidos y localización asistidas por IA

Para las empresas globales, cada lanzamiento multiplica la carga de trabajo relacionada con el contenido: docenas de sitios web regionales, múltiples idiomas y una biblioteca de recursos cada vez mayor. Prescindir de la localización no es realmente una opción. CSA Research descubrió que el 76 % de los compradores en línea prefiere adquirir productos con información en su propio idioma, y que el 40 % no compra en absoluto en sitios web en otros idiomas.

La IA puede asumir gran parte de esa carga. La IA generativa puede redactar textos y crear imágenes directamente desde el editor de contenidos. La traducción automática puede generar automáticamente versiones localizadas de cada página. El etiquetado automático, incluida la visión artificial para imágenes, puede etiquetar los recursos tan pronto como se crean, lo que facilita su búsqueda posterior.

Una multinacional podría utilizar estas capacidades para preparar el lanzamiento de un producto en 15 mercados a la vez, con editores locales que revisen y aprueben cada versión a través de sus flujos de trabajo existentes. La IA se encarga de las tareas repetitivas, mientras que las personas garantizan la precisión y la coherencia de la marca. Algunos equipos van más allá con la IA agéntica, que gestiona flujos de trabajo de marketing de varios pasos . Mide el tiempo de publicación, el plazo de localización y las horas dedicadas a etiquetar los recursos manualmente.

6. Automatización inteligente de los flujos de trabajo

El personal cualificado pierde horas cada semana clasificando solicitudes, recopilando información y derivando el trabajo al equipo adecuado. Esto está cambiando rápidamente. Gartner prevé que, para 2028, al menos el 15 % de las decisiones laborales cotidianas se tomarán de forma autónoma mediante IA agéntica (frente a ninguna en 2024) y que el 33 % de las aplicaciones de software empresarial incluirán IA agéntica.

La IA puede automatizar tareas repetitivas como estas dentro de los flujos de trabajo «low-code» que los equipos ya utilizan. Puede leer una solicitud entrante, clasificarla, extraer registros relacionados y derivarla a la cola adecuada, con la aprobación humana en pasos definidos. Cuando esos flujos de trabajo ya están conectados a formularios, aprobaciones y aplicaciones empresariales, la IA se integra en el proceso en lugar de quedarse al margen.

La misma eficiencia se extiende al desarrollo de software, donde los asistentes de programación basados en IA ayudan a los desarrolladores a redactar, revisar y corregir el código. En ambos casos, el trabajo con IA da sus frutos más rápidamente cuando se integra en las herramientas que las personas ya utilizan. Realiza un seguimiento del tiempo de ciclo, la precisión del enrutamiento y las horas de trabajo administrativo que se han eliminado.

¿Qué tienen en común las implementaciones empresariales exitosas de IA?

El éxito de una implementación de IA suele depender menos de los propios modelos de IA que de todo lo que los rodea, incluidos los datos en los que se basan, los sistemas a los que se conectan y las personas que los supervisan.

Las implementaciones exitosas suelen basarse en cinco pilares.

Ninguno de estos aspectos depende de una tecnología de IA concreta. La selección y el rendimiento de los modelos son importantes, pero rara vez son la causa de que los proyectos de IA se estanquen. Los datos fragmentados, los sistemas desconectados y la falta de claridad sobre la responsabilidad son causas mucho más comunes, y son las mismas carencias que frenan los esfuerzos más amplios de transformación hacia la IA.

¿Cómo pueden las empresas identificar las oportunidades adecuadas para la implementación de la IA?

Los estudios de mercado y las demostraciones de los proveedores pueden mostrarte lo que la IA es capaz de hacer. Solo tus propias operaciones pueden indicarte por dónde debes empezar. Empieza por un proceso de gran volumen que ya se ejecute con datos en los que confíes, en el que puedas medir el antes y el después.

1. Identifica los puntos de fricción. Busca procesos con tareas repetitivas, tiempos de respuesta lentos o información que el personal no consigue encontrar. Habla con expertos en la materia de departamentos específicos, no solo con el de TI. Ellos saben dónde se pierden las horas.
2. Comprueba los datos. Confirma que los datos que necesita este caso de uso existen, son accesibles y están regulados. Si se encuentran en cinco sistemas que no se comunican entre sí, conectarlos será tu primera fase de trabajo.
3. Elabora un mapa de las integraciones. Haz una lista de todos los sistemas de los que la IA necesita leer o en los que necesita escribir. Cuantos más de ellos ya conecte tu plataforma, más rápido avanzarás.
4. Decide quién lo desarrolla y lo mantiene. Algunos proyectos de IA necesitan científicos de datos para el entrenamiento de modelos, pero muchos no. Ten claro qué es responsabilidad de tu equipo, qué es responsabilidad de un socio y qué ocurre tras la puesta en marcha.
5. Evalúa la complejidad y el riesgo. Ten en cuenta los requisitos de seguridad, el cumplimiento normativo y los casos en los que no se puede prescindir de la revisión humana.
6. Establece los KPI y empieza con un enfoque concreto. Lanza una aplicación, evalúa su rendimiento y amplía a partir de ahí. Un primer éxito te proporcionará la evidencia y el apoyo interno necesarios para ser más ambicioso la próxima vez.

No necesitas una estrategia empresarial completa de IA para iniciar tu andadura en este campo. Solo necesitas un caso de uso bien elegido.

Cómo Liferay DXP apoya la implementación de la IA empresarial

La IA es tan potente como la plataforma que la pone en práctica. Liferay DXP te ofrece esa plataforma, una base flexible en la que la IA se conecta a tus datos, se integra en las experiencias adecuadas y se mantiene segura gracias al compromiso de Liferay con una IA responsable . Como funciona con los sistemas que ya tienes , no tienes que empezar de cero para ponerte en marcha.

Tanto si quieres añadir un asistente de IA a un portal de clientes, personalizar la página de inicio de una tienda o automatizar aprobaciones, Liferay DXP te permite desarrollar soluciones de IA adaptadas a las necesidades de tu empresa y escalarlas a medida que crecen tus ambiciones. Esto es lo que tienes a tu disposición.

• Herramientas de contenido con IA integradas que redactan textos, generan imágenes, traducen páginas y etiquetan recursos justo donde tus equipos ya trabajan
• AI Hub para crear e implementar agentes de IA que se encarguen de tareas de varios pasos, sin un largo ciclo de desarrollo de IA
• Búsqueda más inteligente que entiende lo que la gente quiere decir, no solo lo que escribe
• Experiencias personalizadas que muestran a cada visitante el contenido, los productos y las ofertas que más le interesan
• Libertad para conectar los modelos y servicios de IA que prefieras, para que nunca te veas limitado a un único proveedor
• Conexiones con los sistemas que ya utilizas, desde CRM y ERP hasta plataformas de datos
• Permisos, registros de auditoría y flujos de trabajo de aprobación que mantienen bajo control todos los sistemas impulsados por IA, respaldados por un enfoque certificado según la norma ISO 42001 para una IA responsable

Pon la IA a trabajar con la base digital adecuada

Todos estos ejemplos de implementación de la IA apuntan a la misma conclusión: la IA genera una ventaja competitiva cuando se conecta a los datos, sistemas y procesos adecuados. Klarna demostró lo que la IA puede hacer en el servicio de atención al cliente y lo que no debería hacer por sí sola. Morgan Stanley, Lumen, Smiles y un proveedor líder de telecomunicaciones han demostrado lo que ocurre cuando la IA se integra en el trabajo que las personas ya realizan.

Para la mayoría de las empresas, el primer proyecto de IA es solo el principio. Si se hace bien un caso de uso, el siguiente resulta más sencillo, porque los datos ya están conectados, la gobernanza ya está establecida y tus equipos han visto que funciona. Así es como las organizaciones aprovechan la IA para responder rápidamente a las condiciones cambiantes del mercado sin tener que empezar de cero cada vez.

Explora las capacidades de IA de Liferay para descubrir en qué ámbitos la IA podría marcar la mayor diferencia para tu organización.

Preguntas frecuentes

¿Cuáles son algunos ejemplos de la aplicación de la IA en el ámbito empresarial?

Algunos ejemplos habituales son los asistentes de IA para la atención al cliente, las recomendaciones basadas en el aprendizaje automático, las búsquedas impulsadas por IA, el análisis predictivo, la gestión de contenidos asistida por IA y la automatización de flujos de trabajo. Smiles, cliente de Liferay, por ejemplo, integró el aprendizaje automático en su portal de fidelización para recomendar ofertas personalizadas y observó un aumento del 46 % en la tasa de conversión. El uso más eficaz de la IA se centra en una función empresarial específica y se conecta a los datos en los que ya se basa dicha función.

¿Pueden las empresas incorporar la IA sin sustituir sus sistemas actuales?

Sí. La mayoría de los sistemas de IA se conectan a los sistemas existentes de CRM, comercio, contenido e identidad a través de API. Tanto Smiles como el proveedor líder de telecomunicaciones añadieron recomendaciones basadas en IA a las plataformas Liferay DXP que ya estaban conectadas a sus sistemas de CRM y de back-end. Lo importante es contar con una plataforma lo suficientemente flexible como para conectar los servicios de IA a lo que ya se utiliza, sin necesidad de cambiar de plataforma.

¿Cómo pueden las organizaciones medir el éxito de una implementación de IA?

Elige un indicador clave de rendimiento (KPI) empresarial antes del lanzamiento y compáralo con un valor de referencia. En el caso del servicio de atención al cliente, podría ser el tiempo de resolución o la reducción de incidencias. En el caso de las recomendaciones, es la tasa de conversión, y para la automatización de flujos de trabajo, son las horas ahorradas o el tiempo de ciclo. Las mejoras en la eficiencia operativa son un buen comienzo, pero hay que vincularlas a resultados empresariales como los ingresos, la retención o un ahorro significativo de costes, para que los resultados tengan peso en las conversaciones sobre el presupuesto.