Bain & Company destaca los siguientes resultados en su estudio: (1) los sectores de petróleo y gas (oil & gas) y de química aparecen como los más adelantados en la adopción práctica de la IA; (2) casi siete de cada diez directivos encuestados (68%) prevé que la inteligencia artificial tendrá un impacto "sustancial o transformador" en sus compañías en los próximos 5-10 años; (3) sin embargo, menos del 20% afirma haber conseguido escalar estas iniciativas con efectos medibles en el negocio; (4) y al revés, para casi la mitad de los directivos encuestados (48%) la falta de resultados claros o de conexión de la IA con el valor de negocio concreto es el principal obstáculo que se están encontrando, por delante de la escasez de talento, la gestión de datos y la necesidad de escalar las infraestructuras tecnológicas; y (5) las áreas funcionales donde las organizaciones están obteniendo resultados más tangibles son la operación y mantenimiento, la investigación y desarrollo (I+D) y la atención al cliente.
Esas son las principales conclusiones de AI in Energy: From Pilots to Payoff, que firma Bain & Company. Los datos -señalan los autores del informe- revelan una brecha considerable entre las expectativas depositadas en la IA y su impacto real. Buena parte de las empresas continúa experimentando a pequeña escala o desarrollando proyectos piloto coordinados que todavía no han alcanzado los resultados esperados.
Pero el principal obstáculo para avanzar no parece estar en la propia tecnología. El 48% de los directivos señala que la mayor dificultad radica en que muchos proyectos presentan objetivos poco definidos o carecen de una conexión clara con la generación de valor para el negocio.
Esta barrera supera, incluso, a otros desafíos tradicionalmente asociados a la transformación digital, como la escasez de talento especializado (45%), los problemas relacionados con la calidad y gobernanza de los datos (43%) o las limitaciones de la infraestructura tecnológica existente (36%).
Pablo Cornicelli, socio de Bain & Company: “el reto ya no consiste en demostrar que la inteligencia artificial funciona, sino en determinar dónde puede generar un impacto económico relevante y diseñar la estructura organizativa necesaria para capturarlo. Cuando las compañías acumulan proyectos piloto sin una vinculación clara con los resultados de negocio, el riesgo es tener mucha actividad en IA pero poco valor real”
El informe de Bain identifica también dónde se están produciendo los avances más significativos. Los sectores de petróleo y gas y de química aparecen como los más adelantados en la adopción práctica de la IA. En paralelo, las áreas funcionales donde las organizaciones están obteniendo resultados más tangibles son la atención al cliente, la investigación y desarrollo (I+D), así como las operaciones y el mantenimiento.
En estas funciones, la inteligencia artificial está ayudando a optimizar procesos, mejorar la toma de decisiones y aumentar la eficiencia operativa. En el ámbito del mantenimiento, por ejemplo, las capacidades predictivas permiten anticipar incidencias y reducir tiempos de inactividad. En I+D, facilitan el análisis de grandes volúmenes de información para acelerar procesos de innovación, mientras que en atención al cliente contribuyen a automatizar las interacciones y mejorar la calidad del servicio.
Ante este escenario, Bain identifica cuatro claves para superar la fase de experimentación y escalar la inteligencia artificial con impacto en el negocio:
• Concentrar los esfuerzos donde la IA puede generar mayor valor. En lugar de dispersar recursos entre numerosos pilotos, priorizar dos o tres áreas con potencial de impacto económico y vincularlas desde el inicio a objetivos medibles.
• Rediseñar procesos y formas de trabajo. Escalar la IA no consiste solo en incorporar nuevas herramientas, sino en revisar los procesos e identificar dónde la tecnología puede mejorar la toma de decisiones y la eficiencia.
• Desarrollar capacidades en datos, tecnología y talento. Las compañías no necesitan resolver todas sus carencias antes de avanzar, sino reforzar estas capacidades en las áreas prioritarias y combinar conocimiento del negocio y de IA.
• Crear un modelo que permita replicar los casos de éxito. Esto exige definir responsabilidades, establecer mecanismos de gobernanza y contar con una metodología común para llevar las iniciativas desde su identificación hasta su adopción a escala.
Informe AI in Energy: From Pilots to Payoff (Bain & Company)
