Desde el negocio hasta los datos: impulsando equipos de IA multidisciplinarios
La transformación digital primero y la irrupción de la inteligencia artificial generativa más recientemente están redefiniendo el panorama empresarial. Ambas transformaciones giran en torno a los datos, que se han consolidado como un elemento estratégico en las organizaciones.
Una de las consecuencias de esta evolución es el cambio en las formas de trabajo y en la configuración de los equipos. Dicha reconfiguración trata de abrazar un acercamiento entre disciplinas anteriormente algo alejadas, como negocio, diseño, data y tecnología. El hecho de incorporar todos estos perfiles y trabajar conjuntamente nos permite crear mejores soluciones basadas en datos que benefician a otras áreas del banco, por una parte, y a nuestros clientes, en forma de nuevos productos y servicios.
Durante las últimas semanas, hemos hablado con los equipos de BBVA AI Factory para conocer cuál es su estructura, detectar puntos en común y recopilar aprendizajes sobre su configuración. También, para entender cómo se comunican los diferentes roles y disciplinas dentro del propio equipo y cómo se coordinan con sus stakeholders.
¿Cómo se configuran los equipos de datos en BBVA AI Factory?
Los equipos o programas en los que participa BBVA AI Factory están formados por expertos en diferentes disciplinas, desde ciencia de datos, ingeniería y desarrollo de software hasta diseño y negocio. A estos se suman expertos en derecho digital, regulación, privacidad de datos y seguridad.
En la mayoría de ocasiones algunos perfiles trascienden al ámbito estricto de AI Factory, como pueden ser los roles de negocio, diseño o regulación, que dependen de sus respectivas áreas del banco. En cualquier caso, todos estos perfiles participan en el ciclo de desarrollo de soluciones de datos, desde la ideación y definición de KPIs hasta la creación del modelo, el despliegue y la monitorización continua.
De hecho, la clave de estos equipos reside en su multidisciplinariedad, es decir, en su capacidad de coordinar bajo un mismo paraguas (o scrum) diferentes tipos de perfiles, los cuales trabajan en conjunto para sacar adelante un producto en concreto. En este punto destaca la figura del Scrum Master, quien facilita que el trabajo fluya con normalidad, ayuda a superar bloqueos y se preocupa por que los integrantes del equipo trabajen de forma sincronizada.
Podemos hablar de varios tipos de estructura de equipo. La diferencia fundamental reside en el entorno donde se ejecutan los modelos desarrollados. Por ejemplo, si un equipo crea modelos cuyo resultado se mostrará en la aplicación móvil del banco, es indispensable integrar perfiles de diseño expertos en experiencia de usuario (UX) y desarrollo de software (IT). Por otro lado, si los modelos se ejecutan en estructuras internas del banco, es fundamental contar con figuras que ayuden a trasladar la información a estos entornos específicos, como lo son perfiles del área de ingeniería de BBVA.
También existe la posibilidad de que los modelos sirvan para enriquecer los desarrollos de otros programas. En este caso, suelen ser equipos más homogéneos técnicamente.
Independientemente del caso, cada rol asume la responsabilidad de su ámbito de conocimiento; pero, existe cierto grado de autonomía, lo que les permite asumir otras responsabilidades, ampliando su aprendizaje y posibilidades de especialización.
Aprendizajes del trabajo multidisciplinar
1. Fidelidad al objetivo y no a la tarea: perspectiva end-to-end
Cuando un equipo desconoce la finalidad última de su trabajo, el foco se sitúa en resolver tareas concretas e inconexas mientras se descuida el ocuparse en alcanzar el objetivo general.
En cambio, los equipos que comparten el mismo objetivo y ponen el foco en alcanzarlo, asumiendo entre todos la responsabilidad del proyecto, mejoran la calidad del trabajo: hay más ojos para detectar fallos. También hay mayor intercambio de conocimientos y flexibilidad, lo que incide positivamente en el flujo de trabajo y en el time to market. Además, la perspectiva end-to-end aumenta el nivel de compromiso de sus miembros, quienes pueden ver el impacto final que tiene su trabajo.
 |
A tener en cuenta: Posible desorganización |
| Sincronizar bajo un mismo paraguas a personas de diferentes equipos puede ser caótico. Antes, las tareas se organizaban por capas; ahora, con este esquema, las tareas se planifican en paralelo. Es importante tener en cuenta cuál es el objetivo final, sin perder de vista los objetivos, incertidumbres y bloqueos de todas las partes involucradas. |
2. Más autonomía, más aprendizaje
Si bien las personas que integran equipos multidisciplinarios suelen tener muy claras sus responsabilidades y habilidades, también existe la posibilidad de realizar tareas que normalmente no harían. Este esquema favorece enormemente el crecimiento profesional y permite beneficiarse de lo que otros integrantes del equipo pueden aportar.
La autonomía que tendrá una persona dentro de su equipo dependerá del nivel de madurez del mismo. Esta forma de trabajo es una gran oportunidad para cooperar con otros roles y para dar una mejor capacidad de respuesta ante problemas que puedan surgir.
|
A tener en cuenta: Autogestión frustrada |
| En teoría, los miembros del equipo pueden elegir sus tareas de forma orgánica. Pero, si los equipos no tienen cierto nivel de madurez, es probable que las tareas sean más bien asignadas, lo que puede frustrar a los integrantes por no permitir una autoorganización. Lo ideal es que no se asignen tareas concretas, sino que cada persona tenga la libertad, en función de los objetivos, de asumir los trabajos que considere acordes a sus conocimientos e intereses. |
3. Creación de un lenguaje común y de comunicación clara
Uno de los mayores retos que enfrentan los equipos multidisciplinarios es toparse con personas que hablan otro idioma, profesionalmente hablando. Esto, aunque puede llegar a ser una gran limitación, es la oportunidad perfecta para hacer preguntas, para no dar por sentado que el resto nos entiende cuando decimos “feature”, “clúster”o “scoring”. Dependiendo del mundo en el que te muevas, estas palabras tendrán diferentes connotaciones. Por ello, perseguir un lenguaje común y adaptar nuestros mensajes es fundamental para el éxito de un equipo híbrido.
Además, ver cómo se comunican personas de otros sectores puede ser de gran ayuda a la hora de exponer cuestiones técnicas. Las conversaciones se vuelven más ricas, aumenta la empatía respecto al trabajo del otro y se reduce la incertidumbre de la visión a largo plazo.
|
A tener en cuenta: Posibles malentendidos |
| Los equipos persiguen el mismo objetivo, pero ¿y si no entendieron lo mismo cuando se estableció dicho objetivo? Esto puede puede derivar en errores de concepto. Para evitar esto, es de suma importancia garantizar que todos entiendan en su propio lenguaje lo que se busca y qué se requiere. |
4. Acercamiento entre problema-solución
El hecho de que el área de negocio esté cada vez más cerca de los equipos técnicos favorece la creación de espacios comunes que acortan la brecha entre cuál es la necesidad y cuál es su posible solución. Estos espacios fomentan el diálogo y reducen los tiempos de inferencia que suelen darse cuando estas áreas son ajenas entre ellas.
Además, esta colaboración enriquece el ecosistema empresarial en su conjunto: los resultados se consideran colectivos y los incentivos se alinean.
|
A tener en cuenta: Rechazo a lo desconocido |
| Sigue habiendo cierta resistencia al cambio en lo que respecta al uso de los datos y de soluciones de IA entre las personas que no poseen conocimiento técnico. Por ello, es fundamental depositar confianza en los equipos para que estos desaten todo su potencial. A su vez, esto se traducirá en mejores resultados a medio y largo plazo. La confianza se gana poco a poco, a través de demostraciones palpables y efectivas del potencial de los datos. |
Perfiles mediadores entre el mundo técnico y negocio
En empresas donde las decisiones se toman basándose en los datos, es fundamental que perfiles de negocio y perfiles técnicos trabajen juntos. Esto conlleva un gran reto, porque en general los idiomas propios de estos dos ámbitos suelen ser muy diferentes.
En este contexto encontramos varios roles que ayudan en la labor de traducción entre ambos mundos, para conseguir que el potencial de los datos contribuya a ampliar los objetivos del negocio. Son los encargados de trasladar a nuestros stakeholders las oportunidades que ofrecen los datos y la IA, pero siempre controlando las expectativas, ya que la implementación de este tipo de soluciones requiere tiempo, recursos e iteraciones. Estos son los Product Owners (PO), Data Leads (DL) y Business Translators (BT).
 |
Business Translators (Traductores de negocio) |
El Business Translator es un rol específico que se encarga de realizar, como su nombre indica, la traducción tanto de las necesidades de negocio como de las soluciones técnicas. Es, en esencia, el perfil que media entre ambos mundos.
El BT se encarga de transmitir a los stakeholders, con una narrativa accesible y con la menor jerga técnica posible, las posibilidades de la solución. Pueden hacer analogías, demostraciones, referencias a otros sectores o tomar ejemplos de experiencias pasadas. La idea es aterrizar algo razonablemente abstracto como lo es una solución de datos en algo tangible y fácil de entender. En esta labor de traducción es importante ser pragmáticos en su sentido lingüístico: adaptar el mensaje al receptor sin que se pierdan detalles importantes en ese proceso.
 |
Product Owners y Data Leads |
Los Product Owners y Data Leads poseen diferentes bagajes y proceden de distintas ramas del conocimiento, ya sea más cercano al mundo del negocio o al técnico. En cualquier caso, son perfiles híbridos, capaces de entender los diferentes aspectos de un proyecto, como son la lógica de negocio, los datos, tecnología o privacidad, entre otros. Tienen una visión estratégica del producto, y se preocupan por integrar las habilidades y experiencia de los diferentes roles del equipo para maximizar el valor de la solución planteada.
Un nuevo proyecto arranca con la fase de diseño de datos, que consiste en describir y hacer un mapeo o blueprint de la solución. Los POs y DLs consideran con sus equipos diferentes ideas para resolver el problema. Una vez el reto de negocio se traduce a una solución basada en datos, el equipo se pone manos a la obra.
Conclusiones: ¡sí a la hibridación!
Nuestros equipos de trabajo incorporan perfiles de diferentes disciplinas porque todos esos ámbitos del conocimiento son necesarios para desarrollar productos basados en datos. Además, ojos diferentes ven diferentes cosas: potencian la capacidad de comprender los problemas desde más perspectivas y de alcanzar mejores soluciones a favor de nuestros objetivos.
Los recientes avances en IA, especialmente los relacionados con la IA generativa, nos guían hacia la inclusión de más perfiles humanistas en los equipos de trabajo, que terminarán por integrarse en mayor medida en el desarrollo de productos y servicios de base tecnológica.
La inteligencia artificial ya está presente en nuestro día a día. Por esta razón, no solo debemos fijarnos en su desarrollo técnico o funcional, sino también proteger los efectos beneficiosos y neutralizar los no deseados, prestando atención al impacto que tienen estos productos en las personas que los utilizan.