Vivimos un mundo crecientemente complejo. En el plano de las organizaciones, la aparición de nuevas y cada vez más potentes tecnologías, el papel protagónico de la información y el conocimiento y las dinámicas propias de la globalización han acelerado, exponencialmente, los ritmos de cambio, la difusión de innovaciones, el surgimiento de redes –de comunicaciones, de trasporte, económicas y sociales- y la volatilidad de los mercados. El resultado, inesperado para la tradición, es el surgimiento de sectores estratégicos y económicos altamente interconectados e interdependientes, cargados de incertidumbre y no linealidades. Las consecuencias de vivir un mundo semejante afectan no solamente la forma de gerenciar y dirigir las empresas y las organizaciones actuales sino, frontalmente, las posibilidades y la perdurabilidad de las mismas.

En el plano de la gerencia, la dirección y la consultoría de empresas, el uso de nuevas tecnologías, herramientas y metodologías (incluso nuevo de conocimiento científico) están promoviendo formas radicalmente novedosas de ver los negocios y de resolver los problemas organizacionales. El uso de tecnologías, herramientas y metodologías inspiradas (o motivadas) biológicamente y las ciencias de la complejidad ocupan buena parte de los esfuerzos actuales en la interfaz computación-administración. En particular, dos ejes pueden ser mencionados y descritos.

El primer eje tiene que ver con la comprensión y explicación de dinámicas organizacionales y sectoriales y el tema de fondo es el del modelamiento y la simulación de sistemas complejos. La técnica más empleada, surgida en el contexto de la vida artificial, es el modelamiento y la simulación basados en agentes, cuyo objetivo es capturar el comportamiento de los participantes de un sistema (sean individuos, organizaciones o sectores) y explorar las dinámicas surgidas a partir de las interacciones entre ellos, sin eliminar las discontinuidades y no linealidades características del fenómeno a estudiar (otra técnica ampliamente empleada son los autómatas celulares, por ejemplo). Esta técnica, a diferencia de las técnicas estándar de modelamiento y simulación,  permite i) capturar fenómenos emergentes antes que causales, ii) describir de forma natural el sistema bajo estudio y iii) manipular con facilidad y flexibilidad los individuos (y su número) y las reglas que rigen el modelo. El modelamiento y la simulación basados en agentes ponen de manifiesto varios hechos:

• Reglas simples de comportamiento local pueden conducir a resultados coherentes en la escala global (o de sistema). Es plausible, por ejemplo, estudiar la dinámica de un sector estratégico a partir de las reglas que rigen las interacciones entras las organizaciones en la escala local.
• Pequeños cambios en las reglas o en la forma en que son aplicadas pueden tener gran impacto en el resultado a nivel de sistema (escala global). El modelado con agentes permite explorar diversas configuraciones estratégicas y cuantificar su impacto en el mundo real.
• La intuición puede ser una guía particularmente limitada para predecir el comportamiento de sistemas complejos más allá de unos pocos niveles de complejidad. La razón, elemental, es que la complejidad es contraintuitiva.
• La simulación es una potente herramienta para comprender la organización y la dinámica de los sistemas complejos. Los enfoques tradicionales se revelan como insuficientes.
• El modelamiento basado en agentes se convierte en un potente motor «what-if» dentro del marco de trabajo de un entorno de negocios realista.

El segundo eje tiene que ver con el diseño y análisis de algoritmos (mejor: de metaheurísticas) con el fin de brindar solución a problemas complejos (conocidos como problemas NP y NP-Hard) relacionados con optimización –global, dinámica, robusta, multi-objetivo, con restricciones-, búsqueda y descubrimiento de patrones, programación de rutas, asignación de espacios y toma de decisiones. Tales problemas, a diferencia de aquellos que pueden resolverse en el marco de la ciencia y la administración tradicional, poseen cinco rasgos característicos, así: 1) el número de soluciones posibles es tan grande que el problema se opone a la búsqueda de la mejor solución, 2) las soluciones dependen del contexto, pues el entorno en el que están inmersas es altamente cambiante (una buna solución hoy quizás mañana no lo sea, o viceversa), 3) los soluciones deben contemplar restricciones (por ejemplo, de tipo gubernamental, económico, ético…) tanto fuertes como débiles, 4) hay muchos objetivos, posiblemente en conflicto (por ejemplo, calidad vs. costo), y 5) la información relativa al problema no siempre está disponible, o no es precisa, o es incompleta. Las metaheurísticas más potentes para resolver el tipo de problemas descritos se inspiran, por ejemplo, en el mecanismo de selección natural de la evolución (computación evolutiva), en las capacidades de resolución colectiva de problemas que poseen los insectos sociales y algunas otras especies (inteligencia de enjambres), en las dinámicas de respuesta inmune y auto-inmune de los mamíferos (computación inmune), en el funcionamiento del cerebro (computación neuronal) o en la forma en se organizan las células en membranas y compartimentos (computación con membranas). La razón para el uso de estas tecnologías es simple: se busca que, a través de ellas, las organizaciones aumenten sus posibilidades de auto-organización, adaptación, aprendizaje, evolución, y control dinámico, entre otros atributos. En suma, esta tendencia se orienta a una visión más orgánica de las organizaciones.

Los dos ejes presentados no están aislados, sino que se conjugan para resolver los problemas más apremiantes, por urgentes y complejos, de las organizaciones contemporáneas, de cara a su perdurabilidad en mercados difícilmente predecibles y altamente cambiantes.

Lo anterior no quiere decir, en absoluto, que todos los problemas sean complejos, ni que las técnicas tradicionales (analíticas o sistémicas) hayan caído en desuso. Hay problemas en los que, por ejemplo, no tendría sentido hacer uso de herramientas bio-inspiradas o basadas en complejidad porque existen herramientas analíticas o sistémicas que resuelven el problema de forma más eficiente. Lo que si se pretende es poner en evidencia sus limitaciones al momento de resolver los problemas fundamentales de las organizaciones contemporáneas (justamente por complejos). En muchas situaciones, incluso, se hace necesario desarrollar aplicaciones empresariales que conjuguen hábilmente los enfoques analítico, sistémico y complejo y sus herramientas.

Algunos de los campos y disciplinas que han surgido recientemente para direccionar estos esfuerzos comprenden la inteligencia computacional, la computación suave, el modelamiento y simulación de agentes, las metaheurísticas y la computación bio-inspirada. Específicamente, en el plano organizacional, podemos hablar de la inteligencia de negocios adaptativa que mezcla modelamiento y simulación, predicción, optimización, y adaptabilidad con el fin de resolver cuestiones como: ¿Qué es probable que ocurra en el futuro? ¿Cuál es la mejor decisión en este momento? ¿Cómo se comporta el entorno en el que mi organización está inmersa?

Esquemáticamente, la inteligencia de negocios adaptativa puede representarse como el tránsito de los datos “en bruto” hacia las decisiones (no solamente hacia el soporte de la toma de decisiones), pasando por la conversión de datos en información, de información en conocimiento y de conocimiento en decisiones. El siguiente esquema matiza esta idea:
 

Inteligencia de Negocios Adaptativa. Adaptado y ampliado desde Michalewicz, Schmidt, Michalewicz y Chiriac, 2007.

 

Algunos de los ámbitos en los que las ideas expuestas están siendo exitosamente aplicadas en algunas empresas pioneras y en firmas consultoras (como Nutech Solutions o Icosystem) son evaluación de riesgos, sistemas de alerta temprana, gestión de desempeño, diseño de estrategias, comprensión de sistemas interconectados y complejos a nivel global, sectorial u organizacional, optimización y análisis predictivo.

El Laboratorio de Modelamiento y Simulación de la Facultad de Administración de la Universidad del Rosario busca afinar su experticia en las herramientas tradicionales a la vez que se apropia de aquellas que proveen las ciencias de la complejidad y la computación bio-inspirada (en el contexto de la inteligencia adaptativa de negocios) con el fin de consolidar los servicios empresariales que brinda en temas como preparación de datos, minería de datos, predicción, optimización, modelamiento y simulación.