Conociendo a Baobab AI, nuevo asociado enerTIC.org

¿En qué medida consideras que la sostenibilidad está alineada con la eficacia en la toma de decisiones?

En Baobab AI creemos que el principal reto que hemos de encarar en la búsqueda de la sostenibilidad no es tecnológico, sino operacional. Debemos orientar la empresa para que todas las decisiones clave de su operativa estén alineadas con la eficiencia. Si buscas ser más eficiente, reduces directamente los costes y las emisiones, consigues ser más competitivo y sostenible.

Es decir, la sostenibilidad real no se consigue únicamente con indicadores o informes ESG. Se consigue tomando miles de decisiones diarias —en planificación, producción, logística, consumo energético o asignación de recursos— que optimicen la operación respetando simultáneamente las múltiples restricciones de los procesos de negocio reales.

En ese camino, es muy importante tener en cuenta que la complejidad de esos escenarios supera la capacidad de decisión manual de los expertos, o de los sistemas construídos con base en reglas simples. El reto es, por tanto, industrializar la toma de decisiones bajo criterios de eficiencia, dejar que las matemáticas complementen a los expertos y guíen cada toma de decisión siguiendo KPI claros.

Necesitamos Decision AI, tecnologías IA aplicadas a la toma de decisiones.

¿Qué es Decision AI?

Decision AI es el conjunto de tecnologías que combinadas eficazmente ayudan a tomar mejores decisiones en entornos de alta complejidad.

Aunque hoy día el foco esté puesto sólo en los modelos de lenguaje o las IA generativas, que tienen aplicaciones muy interesantes para la productividad o la gestión de clientes, es necesario ampliar la mirada. Bajo el paraguas de lo que se conoce como inteligencia artificial debemos situar todas las tecnologías de base matemática capaces de ayudarnos a hacer mejor nuestro trabajo; técnicas que tradicionalmente considerábamos exclusivas de lo humano pero que ahora están disponibles en nuestra caja de herramientas.

Nos gusta hablar de Decision AI para referirnos a todas esas tecnologías porque su valor lo despliegan en la optimización de los procesos de toma de decisiones, es ahí donde están los enormes beneficios que la IA tiene reservados a las empresas energéticas, logísticas o industriales, todas las que tienen entre ceja y ceja la sostenibilidad y la descarbonización,

¿A qué tecnologías te refieres?

Con la vista puesta en las decisiones, tecnologías como los modelos predictivos, la optimización matemática, las técnicas de simulación o análisis de escenarios, y las tecnologías de IA generativa son fundamentales.

Desde nuestra experiencia, la tecnología esencial si hablamos de atacar decisiones complejas es la optimización matemática, la antigua investigación operativa. Hay un impacto directo en consumo energético, emisiones y costes si aplicamos optimización a problemas de planificación de la producción, gestión energética, operación logística (transportes, almacenes), asignación de recursos o workforce management.

Sin optimización matemática es difícil hablar de Decision AI, nos perdemos gran parte del valor real que pueden generar las empresas energéticas e industriales con ayuda de la IA.

¿Por qué pones el foco en la combinación de tecnologías?

Porque es esencial, su impacto depende de cómo las combinemos para alinearlas con las decisiones, para ponerlas al servicio de la operativa real de las compañías.

Por poner un ejemplo, es muy importante conectar modelos predictivos con modelos de optimización. Predecir la demanda o el precio de la energía es importante, pero el verdadero valor surge cuando esas predicciones se traducen automáticamente en decisiones óptimas bajo restricciones reales con ayuda de la optimización matemática.

Mirándolo desde una perspectiva más elevada, para que la sostenibilidad o la descarbonización no se queden en declaraciones estratégicas sin impacto medible, tenemos que operar sistemas complejos bajo incertidumbre. Es decir, no hablamos sólo de sustituir fuentes energéticas, sino de gestionar mix energéticos variables, restricciones de red, precios dinámicos y demandas cambiantes. Desde esa óptica, necesitamos propuestas técnicas amplias: predecir, optimizar y anticipar escenarios para operar con eficiencia y planificar con inteligencia.

¿Nos puedes dar algunas claves para dar los primeros pasos y abrir espacios para la Decision AI en las empresas?

Desde el punto de vista operativo, la hoja de ruta pasa por tres fases:

• Primero, modelizar adecuadamente los procesos críticos, identificando en ellos decisiones complejas de alto impacto, e incorporando restricciones técnicas y regulatorias reales.
• Segundo, analizar individualmente esas decisiones para atacar su complejidad con ayuda de una combinación de las técnicas adecuadas. Dejar espacio en esos algoritmos a la experiencia del experto.
• Tercero, asegurar que sus resultados se apliquen de forma efectiva. Eso requiere establecer mecanismos de gobernanza y trazabilidad que permitan medir el impacto en términos de reducción de consumo, emisiones y coste.

Acabas de mencionar la necesidad de gobernanza. ¿Qué necesitamos a nivel de infraestructura para llevar profesionalmente estas soluciones a la realidad?

En estos 15 años hemos desarrollado múltiples proyectos de Decision AI y esa experiencia nos ha permitido identificar un patrón recurrente: el valor real se captura cuando el modelo deja de ser un entregable aislado y pasa a formar parte de una infraestructura que lo mantiene, monitoriza y mejora continuamente.

Es decir, no basta solo con desarrollar soluciones de Decision AI que generen resultados excelentes en fase piloto, sino que hay que superar otras dificultades a la hora de desplegar estas soluciones en entornos productivos y garantizar su funcionamiento 24/7. Es necesario integrarlas con los sistemas corporativos, cumpliendo requisitos de seguridad y auditoría, y asegurar que esos modelos operen de forma robusta y continua.

Consideramos esencial evolucionar los enfoques clásicos de MLOps hacia DecisionOps: prácticas, herramientas e infraestructuras que permiten desplegar, operar y gobernar modelos de decisión de forma industrial en entornos reales.

¿Están las empresas dando pasos en esa profesionalización de su infraestructura?

Hace unos años, el foco estaba en desarrollar casos de uso puntuales o pruebas de concepto. Hoy las organizaciones buscan escalabilidad, integración y continuidad operativa. El siguiente paso natural es integrar esas soluciones en una plataforma que permita escalarlas, operarlas y gobernarlas con garantías, asegurando continuidad, trazabilidad y rendimiento sostenido en el tiempo.

El concepto de DecisionOps conecta desarrollo, despliegue y operación. Se trata de garantizar que los modelos cumplen SLA, que existe versionado y trazabilidad, que se pueden auditar decisiones pasadas y que el coste operativo es predecible. Baobab DecisionOps (BOD) cubre este gap y soporta entornos industriales exigentes con resultados tangibles y auditables.

Para concluir, ¿cómo conjugar competitividad y sostenibilidad en un entorno cada vez más exigente?

Competitividad y sostenibilidad no son objetivos opuestos; al contrario, están profundamente vinculados. Las decisiones que reducen desperdicios, optimizan recursos y mejoran la planificación suelen generar simultáneamente ahorro económico y reducción de emisiones.

La clave está en cuantificar y operar ese impacto. Cuando una organización es capaz de medir el ahorro generado por una decisión optimizada —en coste, consumo energético o emisiones— y repetir ese proceso de forma sistemática, la sostenibilidad deja de ser un coste adicional y se convierte en una ventaja competitiva.

En nuestra visión, el futuro pasa por organizaciones que no solo desarrollan modelos avanzados, sino que han industrializado su capacidad de decidir mejor cada día. Esa es la diferencia entre experimentar con inteligencia artificial y construir una ventaja estructural basada en decisiones óptimas y operativas.