La IA generativa no explica tota la història de la IA
La IA generativa domina la conversa perquè és visible. Escriu, resumeix, respon, programa, raona, cerca i manté converses. Sembla diferent de les onades de programari anteriors perquè les persones hi poden interactuar directament.
Però hi ha un altre tipus d’IA que continua sent igual d’important per als negocis: l’aprenentatge automàtic predictiu. És menys espectacular, però sovint està més a prop d’aportar un valor mesurable.
La IA predictiva no intenta escriure un correu electrònic ni mantenir una conversa. Estima què és probable que passi a continuació. Quins clients tenen més probabilitats de marxar? Quines factures es poden pagar tard? Quins clients potencials tenen més probabilitats de convertir? Quines comandes poden fallar? Quines reclamacions semblen sospitoses? Quins pacients poden no assistir a una cita? Quins productes s’haurien d’emmagatzemar a cada ubicació?
Aquestes preguntes no són secundàries. Són les preguntes diàries que hi ha darrere dels ingressos, el risc, les operacions i l’experiència del client.
Els LLM i els models predictius resolen problemes diferents
Els models de llenguatge de gran escala són molt bons en tasques riques en llenguatge. Poden entendre sol·licituds, generar contingut, recuperar informació, explicar decisions i ajudar els usuaris a interactuar amb els sistemes. Són especialment potents quan un flux de treball inclou documents, missatges, coneixement, instruccions o comunicació humana.
Els models predictius resolen una classe de problemes diferent. Utilitzen dades històriques per estimar resultats futurs o classificar situacions actuals. El resultat sol ser una puntuació, una probabilitat, una predicció, una classificació o una recomanació.
Aquesta diferència és important. Un model de llenguatge pot explicar per què un client pot estar descontent. Un model predictiu pot estimar quins clients tenen més probabilitats de marxar el mes vinent. Un model de llenguatge pot redactar un seguiment comercial. Un model predictiu pot classificar quins comptes mereixen atenció prioritària. Un model de llenguatge pot resumir l’historial de pagaments. Un model predictiu pot estimar el risc d’impagament.
Els sistemes d’IA més potents sovint utilitzaran tots dos enfocaments. Els LLM ajuden els equips a interactuar amb la informació i automatitzar tasques. Els models predictius els ajuden a decidir on centrar-se, quin risc esperar i quina acció és més probable que tingui impacte.
L’aprenentatge automàtic modern és extremadament pràctic
Molts problemes empresarials són problemes de dades tabulars. Les empreses tenen clients, comptes, transaccions, tiquets, factures, reclamacions, comandes, subscripcions, esdeveniments, marques de temps, preus, quantitats i resultats. Aquest tipus de dades estructurades és precisament on l’aprenentatge automàtic predictiu pot ser molt eficaç.
Algoritmes com XGBoost han convertit els arbres de decisió potenciats per gradient en una eina estàndard per a la predicció tabular d’alt rendiment. Poden gestionar conjunts de dades desordenats del món real, relacions no lineals, valors absents i interaccions difícils de capturar amb regles senzilles.
Per a moltes empreses, això significa que es poden crear models útils per respondre preguntes operatives concretes:
- Predicció de la pèrdua de clients
- Predicció de vendes i de la demanda
- Puntuació de clients potencials
- Risc de pagament i de crèdit
- Detecció de fraus i anomalies
- Planificació d’inventari
- Priorizació de tiquets
- Optimització de preus
- Risc de renovació
- Predicció de colls d’ampolla operatius
Aquests casos d’ús no són especulatius. Els bancs, les asseguradores, els prestadors i els grans detallistes han utilitzat models predictius durant dècades. El que ha canviat és l’accessibilitat.
L’aprenentatge automàtic ja no és només per a equips d’elit de ciència de dades
Fa deu anys, moltes empreses consideraven l’aprenentatge automàtic una tecnologia reservada a grans corporacions amb departaments especialitzats de ciència de dades. Avui això és menys cert.
L’ecosistema de Python ha madurat molt. Biblioteques com scikit-learn fan que l’entrenament, l’avaluació, el preprocessament i la validació de models siguin accessibles. XGBoost i biblioteques relacionades permeten obtenir un gran rendiment predictiu sense haver de crear algoritmes des de zero. La infraestructura al núvol facilita el desplegament. Les eines de programació assistida per IA ajuden els equips a avançar més ràpidament en la preparació de dades, els experiments amb models, la creació d’API, la documentació i les proves.
Això no vol dir que l’aprenentatge automàtic sigui automàtic. Una bona IA predictiva encara requereix dades netes, una validació acurada, coneixement del domini, monitoratge i un ús responsable. Un model que prediu l’objectiu equivocat, aprèn a partir de dades esbiaixades o es desplega sense revisió pot crear riscos empresarials reals.
Però la barrera és molt més baixa del que moltes empreses pensen. Un equip centrat sovint pot començar amb un problema de predicció concret, crear un model de referència, comparar-lo amb les regles existents i comprovar si millora les decisions dins d’un flux de treball controlat.
L’oportunitat va més enllà de les finances
Les empreses financeres i asseguradores van ser pioneres en l’adopció perquè la predicció és central en el seu negoci. La puntuació creditícia, la subscripció de riscos, la detecció de fraus, l’estimació de reclamacions i el risc de cartera són problemes de predicció.
Però aquestes mateixes tècniques ara s’apliquen pràcticament a tot arreu.
En el SaaS, la IA predictiva pot identificar comptes en risc, oportunitats d’expansió, escalades de suport o usuaris amb probabilitats d’activar-se. En el comerç minorista, pot millorar l’inventari, les promocions i la planificació de la demanda. En l’àmbit sanitari, pot donar suport a la programació, la revisió de documentació, el contacte amb pacients i la detecció de riscos operatius. En la logística, pot estimar retards, limitacions de capacitat, problemes d’encaminament i necessitats de manteniment. En vendes, pot ajudar els equips a prioritzar comptes i preveure el pipeline amb més precisió.
El patró sol ser el mateix: l’empresa ja disposa de dades històriques, el resultat és important i actualment les decisions es prenen mitjançant una combinació de revisió manual, regles senzilles i intuïció.
És aquí on la IA predictiva pot generar palanquejament.
La predicció esdevé valuosa quan canvia el procés
Un model per si sol no és suficient. Una puntuació de risc de pèrdua de clients en un quadre de comandament no salva cap client. Un model de risc de pagament no millora el flux de caixa si el procés de cobrament no l’utilitza. Una puntuació de frau no redueix les pèrdues si els casos sospitosos no es deriven, revisen i gestionen.
La IA predictiva crea valor quan està connectada a un flux de treball:
- Un model puntua automàticament els registres nous.
- La puntuació activa l’acció o la revisió adequada.
- Els equips poden veure per què el model ha fet la recomanació.
- Els resultats es registren després de la decisió.
- El model es monitoritza i millora amb el temps.
Aquesta és la mateixa lliçó que les empreses estan aprenent amb els agents d’IA generativa. La IA no hauria de limitar-se a produir un resultat interessant. Hauria de formar part de la manera com opera el negoci.
Els LLM faciliten l’ús de la IA predictiva
Un dels avenços més interessants és que la IA generativa pot fer que la IA predictiva sigui més útil.
Un model predictiu pot produir una puntuació. Un LLM pot explicar aquesta puntuació en llenguatge empresarial, resumir l’historial rellevant del client, redactar la següent acció o ajudar un operador a entendre la decisió recomanada. Un agent pot combinar el resultat del model amb coneixement aprovat, polítiques internes i accions en els sistemes.
Per exemple, un model de pèrdua de clients pot assenyalar un compte com d’alt risc. Un agent d’IA pot recuperar l’historial de suport, resumir els problemes oberts, identificar les dates de renovació del contracte, preparar un informe per a l’equip d’èxit del client i programar un seguiment. El model predictiu decideix on cal centrar l’atenció. L’agent ajuda a fer avançar la feina.
Aquesta combinació és més potent que qualsevol dels dos enfocaments per separat.
La IA predictiva mereix més atenció
La IA generativa ha ampliat el que el programari pot fer amb el llenguatge i la interacció. Això és important. Però les empreses no haurien de deixar que l’entusiasme pels LLM les distregui de la IA predictiva.
Moltes empreses encara tenen grans oportunitats sense explotar en predicció, puntuació, classificació, priorització, estimació de riscos i optimització operativa. Són problemes pràctics amb rendiments pràctics. Sovint utilitzen dades que l’empresa ja té. Es poden provar amb mètriques clares. I es poden desplegar de manera progressiva.
El valor econòmic és directe: millors prediccions condueixen a millors decisions. Si una empresa pot identificar abans el risc de pèrdua de clients, pot protegir els ingressos. Si pot estimar el risc d’impagament amb més precisió, pot gestionar millor el flux de caixa i els cobraments. Si pot preveure amb més precisió la demanda, el frau, la conversió o els retards operatius, pot assignar persones, inventari, capital i atenció de manera més eficient. Aquestes decisions afecten els resultats mitjançant més ingressos, menys pèrdues, millors marges i menys esforç desaprofitat.
Les empreses que més es beneficiaran de la IA no hauran de triar entre sistemes generatius i predictius. Els combinaran.
Per això Guanta incorpora la IA predictiva entre les funcionalitats del producte. Els agents ajuden els equips a interactuar amb el coneixement, els sistemes i els fluxos de treball. Els models predictius ajuden els equips a decidir què és probable que passi i on l’acció pot tenir més impacte. Junts, transformen la IA d’una eina per crear contingut en un sistema per millorar les operacions.