American Express aboga por democratizar la analítica, no los datos

La democratización de los datos ha sido una expresión de moda durante años, pero Chris Gifford, director de datos (CDO) de American Express, sostiene que es mucho más útil pensar en la democratización de la analítica. Hacer que la analítica sea más accesible permite a los empleados, así como a los agentes de IA, en toda la empresa generar insights y actuar en consecuencia dentro de un marco gobernado. “No se trata solo de capturar los datos y luego apilarlos y almacenarlos”, afirma. “Se trata de cómo aceleramos la analítica y, después, el paso de los insights a la acción en el menor tiempo posible”.

Gifford, que ha desarrollado toda su carrera en el altamente regulado sector de los servicios financieros, señala que muchas personas en las empresas han interpretado mal la democratización de los datos, pensando que significaba poder extraer datos de entornos controlados y utilizarlos para tomar decisiones sin controles generales de TI. Este tipo de enfoque genera riesgos operativos, de datos y de privacidad.

“Dejad de sacar los datos de nuestros entornos y os daré todos los controles”, señala. “Configuraré una rápida ampliación de los elementos de datos y nuevas fuentes de datos, y os proporcionaré herramientas que os permitan realizar analítica de vanguardia. Incluso vuestro agente personal de analítica pronto podrá ejecutar análisis”.

Analizar las incertidumbres

Más allá de los riesgos, Gifford explica que permitir a los empleados acceder a datos en bruto, y potencialmente moverlos y almacenarlos fuera de los límites de los controles de gobernanza, además de enturbiar la trazabilidad de los datos, genera ineficiencias que dificultan mucho más aprovechar la IA generativa y la IA agentiva.

“La gente está empezando a darse cuenta de que la forma en que hemos gestionado, expuesto y distribuido los datos puede no ser la mejor de cara al futuro, especialmente si queremos habilitar agentes”, señala Gifford. “Si tienes múltiples copias de datos con distintos filtros según el caso de uso, o con filtros diferentes para distintas personas que han incorporado esos datos a tu arquitectura lakehouse, un agente no va a saberlo”.

Como resultado, la democratización de la analítica en American Express se centra en gran medida en preparar y desplegar los datos para su consumo, averiguando cómo ir más allá de la arquitectura lakehouse y hacerlos fácilmente consumibles por personas, API y agentes.

El equipo de Gifford utiliza IA para recorrer los datos de la compañía, los casos de uso, detectar redundancias, obsolescencia y elementos triviales, y después identificar las fuentes “golden” de esos datos para orientar a los futuros agentes. “También estamos apostando más por que la IA generativa haga recomendaciones sobre los metadatos de negocio”, apunta. “Puede rastrear todo tipo de entornos de datos estructurados y no estructurados para ayudar a entenderlo”.

Más allá de la preparación y el despliegue, la compañía ha comenzado a pilotar y probar capacidades de “hablar con mis datos”, que permiten a los usuarios formular preguntas analíticas utilizando IA generativa.

“Dentro de un entorno muy controlado, con fuentes de verdad (‘golden source’), guardarraíles y otros controles de gobernanza aplicados, hemos activado esta capacidad de ‘hablar con mis datos’ y hemos empezado a experimentar con ella”, explica Gifford. “Hemos aprendido que no basta con llevar los datos de los sistemas actuales o históricos a una plataforma moderna y luego aplicarles gobernanza y controles”.

En los primeros experimentos, diferentes evaluadores obtenían respuestas distintas a las mismas preguntas, y las alucinaciones eran un problema.

“Ese tipo de cuestiones pueden controlarse mejor añadiendo metadatos, ontologías, capas semánticas, grafos de conocimiento, gestión de datos maestros y gestión de datos de referencia”, relata Gifford. “Las grandes inversiones en estos ámbitos solo se traducirán en mayor velocidad, precisión y adopción de estas capacidades de IA en el ámbito de la analítica”.

Recalibración de la compañía

American Express adopta un enfoque basado en el riesgo para la gestión de los datos, aplicando controles escalonados de seguridad, gobernanza y cumplimiento en función de la sensibilidad de los datos y del riesgo organizativo. A medida que la compañía avanza hacia el uso de la IA para su analítica, Gifford afirma que es necesaria una nueva capa de gestión de datos que evalúe el grado de preparación de los datos para la IA generativa y la IA agentiva.

“Esa capa debe indicar que la calidad de los datos y los controles de gobernanza cumplen un mínimo antes de que estemos dispuestos a liberar la IA generativa sobre ellos”, concluye.