🌐 Read this in English →
Fuente original: Humans of Martech Podcast
Este artículo es un resumen e interpretación editorial de ese contenido. Las ideas son de los autores originales; la selección y redacción son de Streamed.News.
Este programa de Humans of Martech Podcast abordó varios temas. Se destacan 6 segmentos por su relevancia. Cada sección enlaza directamente al momento en el video original.
¿Se pregunta si la inteligencia artificial puede realmente hacer del mundo un lugar más justo? Esta perspectiva sugiere que el mayor impacto de la IA podría ser la superación de los sesgos humanos en nuestros sistemas más sensibles.
La toma de decisiones automatizada ofrece una alternativa auditable al sesgo humano en campos críticos
Toby Konitzer afirma que la toma de decisiones automatizada va mucho más allá de las aplicaciones de marketing, con el potencial de reducir significativamente los sesgos sistémicos y los resultados subóptimos en áreas críticas como la atención médica, la contratación y la justicia penal. Destaca que la toma de decisiones humana, influenciada por factores como el estado de ánimo y los sesgos inherentes, es a menudo defectuosa e inauditable. La toma de decisiones automatizada, por el contrario, proporciona procesos transparentes y auditables, permitiendo un seguimiento preciso de cómo y por qué se tomó una decisión. Este cambio ofrece un beneficio profundo, avanzando hacia resultados más justos en contextos como las detenciones de tráfico y las sentencias penales, donde los sesgos humanos están bien documentados. Konitzer ve esto como una forma de otorgar a la IA Agéntica una "ambición civilizatoria" más allá de la mera monetización, vinculando sus capacidades avanzadas a mejoras tangibles en la equidad y eficacia social mediante el aprovechamiento de vías de decisión auditables.
"La promesa de la toma de decisiones automatizada es que, como mínimo, el proceso de decisión se vuelve auditable."
Desplegar la IA Agéntica sobre datos correlacionales plantea riesgos 'desastrosos', advierte un experto
Toby Konitzer advierte contra la peligrosa tendencia de dejar que la IA Agéntica opere libremente en almacenes de datos repletos de información puramente correlacional. Explica que, sin una comprensión clara de las relaciones causales, la IA podría recomendar acciones basadas en correlaciones espurias, como sugerir tarjetas de regalo para paseadores de perros con el fin de aumentar las ventas de alimentos, solo porque los dueños de perros suelen gastar más en comida. Tales intervenciones, al carecer de respaldo causal, pueden resultar contraproducentes de manera drástica. Este "pensamiento perezoso" corre el riesgo de acelerar dinámicas negativas, donde la IA amplifica acciones contraproducentes a través de millones de ejemplos, pudiendo sabotear indicadores clave de rendimiento. Konitzer aboga por un "grafo de contexto causal del cliente" para guiar la IA Agéntica, asegurando que distinga entre efectos causales y meras correlaciones, previniendo así resultados desastrosos y fomentando una implementación responsable de la IA.
"La [IA] Agéntica puede acelerar lo bueno, pero también acelerará lo malo, para hablar con franqueza. Y no distingue entre ambos si uno no lo hace."
La psicología humana obstaculiza la adopción de la experimentación superior con IA, afirma un experto
Toby Konitzer observa una paradoja en la ciencia de la decisión: a pesar de la superioridad matemática y la eficiencia de la asignación dinámica (aprendizaje por refuerzo) sobre las pruebas A/B tradicionales, muchas empresas sofisticadas, incluso aquellas con numerosos doctores en el campo, continúan utilizando pruebas A/B fijas. La asignación dinámica desvía continuamente el tráfico a las condiciones ganadoras, optimizando métricas como el valor de vida del cliente (LTV), mientras que las pruebas A/B fijas desperdician tráfico en opciones inferiores durante la fase de aprendizaje. La razón de esta adhesión a un método subóptimo reside en el aspecto psicológico de la ciencia de la decisión. Konitzer explica que la asignación dinámica, al ser más compleja, es más difícil de entender y aprobar para las partes interesadas internas y los ejecutivos. La necesidad de explicabilidad para convencer a la dirección a menudo lleva a la adopción de enfoques más simples, aunque menos eficientes, incluso si esto resulta en un resultado subóptimo para el negocio.
"Es un sesgo humano lo que lleva a un resultado subóptimo, ¿verdad? Pero si eres la persona que implementa esto... tu trabajo es, en realidad, convencer a la parte interesada."
La asignación dinámica ofrece una alternativa eficiente a las pruebas A/B tradicionales
Toby Konitzer explica la asignación dinámica, también conocida como aprendizaje por refuerzo o problema del bandido multi-brazo, como un enfoque más eficiente para la experimentación que las pruebas A/B tradicionales. Mientras que las pruebas A/B tradicionales dividen el tráfico aleatoriamente, típicamente 50/50, para evaluar diferentes intervenciones durante un período fijo, la asignación dinámica monitorea continuamente el rendimiento y asigna dinámicamente más tráfico a las condiciones 'ganadoras' a medida que se recopilan los datos. Este método optimiza métricas específicas, como el valor de vida del cliente (LTV), al minimizar la cantidad de tráfico enviado a opciones inferiores, reduciendo así el "costo" de la experimentación. Konitzer destaca que si bien las pruebas A/B tradicionales son valiosas para establecer diferencias causales, la asignación dinámica es superior para la optimización, lo cual, según él, es el objetivo principal para la mayoría de los especialistas en marketing del ciclo de vida. El proceso implica una compensación entre la 'exploración' (aprendizaje) y la 'explotación' (optimización basada en las mejores opciones actuales).
"El objetivo de la asignación dinámica o el aprendizaje por refuerzo es que se pueden hacer ambas cosas en paralelo... de hecho, se dirige más tráfico a la condición que está ganando, lo que... es más eficiente."
Los profesionales del marketing deben pasar de la predicción a la intervención causal, sostiene un experto
Toby Konitzer identifica una "trampa de la predicción" en marketing, donde los modelos predictivos de alta precisión, como los del valor de vida del cliente (LTV) o la probabilidad de abandono, solo describen lo que sucederá si nada cambia. Argumenta que estos modelos no son directamente útiles para los profesionales del marketing, cuyo trabajo principal es implementar intervenciones que influyan activamente en el comportamiento del cliente. En lugar de simplemente predecir quién podría abandonar, los profesionales del marketing necesitan entender cómo prevenir el abandono a través de palancas causales. Konitzer enfatiza que el marketing opera fundamentalmente en un mundo causal, donde el objetivo es determinar cómo cambiar 'X' afectará a 'Y'. Este cambio de la predicción observacional a la intervención causal está ganando terreno, con los consejos de administración exigiendo cada vez más respuestas a preguntas de ROI causal, lo que indica una maduración del campo del marketing hacia un pensamiento más basado en resultados y el aprendizaje por refuerzo.
"El mundo del marketing es un mundo causal... si cambio X, ¿cuál es el resultado en Y? ¿Cómo puedo maximizar Y? De lo contrario, realmente no tiene sentido el marketing."
La IA desinformada puede sabotear los KPI de ingresos con un 'efecto bumerán', advierte un experto
Toby Konitzer describe el "efecto bumerán" en sistemas de IA de autoaprendizaje, donde una IA Agéntica desinformada, especialmente sin antecedentes causales, aplica inicialmente tratamientos aleatorios y potencialmente contraproducentes. Durante esta fase de "problema de arranque en frío", el sistema puede sabotear inadvertidamente los indicadores clave de rendimiento, como el valor de vida del cliente (LTV), durante semanas o meses antes de aprender de manera efectiva. Por ejemplo, una IA podría recomendar un certificado de regalo para paseadores de perros que los clientes encuentran intrusivo, lo que lleva a una disminución de la lealtad y los ingresos. Incluso si las intervenciones iniciales son meramente neutrales en lugar de activamente perjudiciales, aún desperdician recursos y tiempo sin explorar opciones verdaderamente beneficiosas. Konitzer subraya la necesidad de un mecanismo, como un "grafo de contexto causal del cliente", para dotar a la IA de conocimiento causal preexistente. Esta capa semántica ayuda a guiar el sistema, impidiendo que haga sugerencias iniciales contraproducentes y permitiéndole explorar una gama de intervenciones más efectiva y seleccionada desde el principio.
"Sus ideas iniciales resultan contraproducentes causalmente... mientras tanto, en realidad se produce una disminución del LTV."
También se menciona en este vídeo
- The idea that predictive models are not useful for marketers because they only… (0:00)
- Correlative impact on LTV is often mistaken for causal returns, using the… (9:03)
- Marketing is a difficult job requiring an understanding of causal inference,… (13:10)
- Composable decisioning within customer journeys, where models learn in… (48:12)
- Toby Konitzer shares his personal system for staying aligned with what makes… (1:00:33)
Resumen de Humans of Martech Podcast · 1:03:36. Todo el mérito corresponde a los creadores originales. Streamed.News resume contenido de vídeo disponible públicamente.
Streamed.News
Esta publicación se genera automáticamente desde YouTube.
Convierte tu biblioteca de vídeos en un diario digital.
Consigue esto para tu redacción →