Cómo pasar modelos de IA del laboratorio a la operación: el valor de los datos tabulares

El reto: IA útil para las operaciones reales

En los últimos años han proliferado soluciones de inteligencia artificial destinadas a mejorar pronósticos, planificación y toma de decisiones en empresas. Sin embargo, muchas de esas herramientas adolecen de una carencia importante: no incorporan información específica y granular de la organización, lo que reduce su utilidad práctica. Para transformar promesas de laboratorio en valor operativo es necesario que los modelos trabajen con los datos reales de la empresa, en tiempo real y con recursos computacionales limitados.

Devavrat Shah, investigador del Laboratory for Information and Decision Systems (LIDS) del MIT y profesor del departamento de Ingeniería Eléctrica y Ciencias de la Computación, ha centrado su trabajo en diseñar métodos que permitan tomar decisiones segundo a segundo usando un presupuesto de cómputo acotado. Su objetivo es desarrollar técnicas que extraigan información de datos a escala de la forma más efectiva posible.

De la investigación a un producto empresarial: Ikigai Labs

En 2019 Shah cofundó Ikigai Labs, un spinoff que consolidó años de investigación en un modelo de base para datos tabulares y series temporales. Ese modelo, patentado y licenciado por el MIT, está pensado para ingerir datos empresariales estructurados procedentes de múltiples orígenes, operar de forma continua y escalar durante su uso: aprende mientras opera al contrastar sus predicciones con los resultados reales.

A diferencia de la mayoría de los modelos actuales, que se entrenan con texto e imágenes, la propuesta de Ikigai parte de datos tabulares —el formato de filas y columnas conocido en planillas y sistemas ERP— y se especializa en planificación y previsión en tiempo real a gran escala. Esta aproximación facilita aplicar IA a procesos empresariales concretos donde los datos estructurados dominan, como inventarios, ventas, mantenimiento y cadenas de suministro.

Qué aporta un enfoque basado en modelos gráficos y series temporales

Shah compara su trabajo con los modelos gráficos que usan los GPS para convertir señales esparcidas en una posición precisa o con los sistemas de comunicaciones de bajo consumo. La pregunta central fue: ¿cómo diseñar modelos gráficos adecuados para datos tabulares genéricos?

El resultado es un sistema capaz de integrar señales provenientes de distintas fuentes —por ejemplo, entradas de inventario, registros de ventas, órdenes de mantenimiento y variables de precios— y modelar las dependencias entre procesos. Al operar continuamente, el modelo puede simular alternativas, predecir el efecto de decisiones (como cambios de precio o promociones) y proponer estrategias optimizadas.

Un ejemplo práctico: electrónica de consumo

Shah ilustra la utilidad con una compañía de electrónica que fabrica productos complejos con piezas de múltiples proveedores. Las preguntas típicas que enfrentan equipos de producto, operaciones y finanzas incluyen: ¿cuántas unidades se venderán por región el próximo trimestre?, ¿cómo afectará la demanda si cambio el precio?, ¿qué impacto tendrán las promociones?, y ¿cómo coordinar soporte y versiones futuras?

Todos esos procesos están interconectados y cada decisión tiene efectos en el tiempo. Digitalizar los procesos y poder predecir y optimizar de forma continua es lo que finalmente mejora las operaciones del negocio.

Integración con Celonis y el valor de la capa digital

Ikigai fue adquirida recientemente por Celonis, una firma internacional especializada en digitalizar y automatizar operaciones para más de 1,400 grandes compañías alrededor del mundo. Tras la adquisición, Shah asumió el rol de chief scientist en Celonis además de sus funciones en el MIT.

La propuesta combinada es clara: cuando una empresa ya tiene sus procesos digitalizados —la llamada capa digital—, esa información estructurada crea una plataforma ideal para que un modelo como el desarrollado por Ikigai lea datos operativos en tiempo real y ofrezca simulaciones, predicciones y recomendaciones accionables. En palabras de Shah: una vez que existe la capa digital de procesos, se puede poner la pila tecnológica de Ikigai para habilitar la toma de decisiones a mayor escala.

Por qué este enfoque es especialmente relevante

Mientras el mercado de IA se ha centrado mucho en texto e imágenes, el trabajo de Shah y su equipo apunta a una zona menos explotada pero muy valiosa: los datos estructurados y las series temporales. Al enfocar la tecnología en ese dominio más acotado se consigue mayor eficiencia y economía de recursos, lo que resulta en soluciones más factibles para el mundo empresarial.

El término reciente en la prensa popular de IA, “world model”, se usa para describir la construcción de modelos que representan un entorno complejo. En este caso, la idea es ambiciosa pero concreta: construir un “modelo del mundo de procesos empresariales” que permita simular opciones y optimizar decisiones basadas en la realidad operativa de cada compañía.

Implicaciones y oportunidades para América Latina

Para empresas latinoamericanas, el enfoque tiene implicaciones prácticas. Muchas organizaciones en la región enfrentan retos comunes: proliferación de sistemas heredados, procesos semidigitalizados, calidad de datos inconsistente y restricciones presupuestarias en infraestructura. Un modelo que aproveche datos tabulares y series temporales puede ser una vía de alto impacto y menor costo para empezar a extraer valor de la digitalización.

Algunas consideraciones para líderes y tomadores de decisión en la región:

• Priorizar la digitalización de procesos críticos: enfocar recursos en áreas que generen ahorro o aumento de ingresos medible.
• Mejorar calidad y gobierno de datos: modelos robustos requieren gobernanza para garantizar que las entradas reflejen la operación real.
• Comenzar con pilotos focalizados: probar modelos en una unidad de negocio o proceso concreto antes de escalar.
• Buscar alianzas con proveedores que ya integren minería de procesos y modelos tabulares para acelerar adopción.

Conclusión: del dato estructurado a decisiones en tiempo real

El trabajo liderado por Shah muestra cómo la combinación de modelos especializados en datos tabulares y una capa digital sólida puede transformar la promesa de la IA en mejoras operativas reales. La adquisición de Ikigai por parte de Celonis ejemplifica la ruta práctica: digitalizar procesos, aplicar modelos que aprendan en operación y usar simulación para guiar decisiones.

Para las compañías interesadas en llevar la IA a la operación, la lección es clara: no todo pasa por grandes modelos de lenguaje o visión. Hay un espacio muy rentable y más accesible en los datos estructurados y de series temporales. Construir el “modelo del mundo” operativo de una empresa—un gemelo digital centrado en sus procesos—puede ser la palanca que realmente cambie resultados en el día a día empresarial.