Vendedores quieren hacernos creer que estamos en medio de una revolución de inteligencia artificial, que está cambiando la naturaleza misma de cómo trabajamos. Pero la verdad, según varios estudios recientes, sugiere que es mucho más matizada que eso.
Las compañías están extremadamente interesadas en la inteligencia artificial generativa, ya que los vendedores prometen potenciales beneficios, pero convertir ese deseo de un concepto en un producto funcional está resultando ser mucho más desafiante: Se están enfrentando a la complejidad técnica de la implementación, ya sea por la deuda técnica de una pila de tecnología antigua o simplemente por la falta de personas con habilidades apropiadas.
De hecho, un estudio reciente de Gartner encontró que las dos principales barreras para implementar soluciones de inteligencia artificial eran encontrar formas de estimar y demostrar valor en un 49% y la falta de talento en un 42%. Estos dos elementos podrían resultar ser obstáculos clave para las empresas.
Considera que un estudio de LucidWorks, una empresa de tecnología de búsqueda empresarial, encontró que solo 1 de cada 4 de los encuestados reportó haber implementado con éxito un proyecto de inteligencia artificial generativa.
Aamer Baig, socio senior de McKinsey and Company, hablando en el MIT Sloan CIO Symposium en mayo, dijo que su empresa también encontró en una encuesta reciente que solo el 10% de las compañías están implementando proyectos de inteligencia artificial generativa a gran escala. También informó que solo el 15% estaba viendo algún impacto positivo en las ganancias. Esto sugiere que la exageración podría estar muy por delante de la realidad que la mayoría de las empresas están experimentando.
¿Cuál es la demora?
Baig ve la complejidad como el factor principal que ralentiza a las compañías, con incluso un proyecto simple que requiere de 20-30 elementos tecnológicos, siendo el LLM adecuado solo el punto de partida. También necesitan cosas como controles adecuados de datos y seguridad, y los empleados pueden tener que aprender nuevas capacidades como ingeniería de respuestas y cómo implementar controles de propiedad intelectual, entre otras cosas.
Las pilas tecnológicas antiguas también pueden frenar a las compañías, dice. «En nuestra encuesta, uno de los principales obstáculos citados para lograr la inteligencia artificial generativa a gran escala fue en realidad demasiadas plataformas tecnológicas», dijo Baig. «No era el caso de uso, no era la disponibilidad de datos, no era el camino hacia el valor; en realidad eran las plataformas tecnológicas».
Mike Mason, director de inteligencia artificial en la firma de consultoría Thoughtworks, dice que su empresa pasa mucho tiempo preparando a las compañías para la inteligencia artificial, y su configuración tecnológica actual es una gran parte de eso. «Entonces, la pregunta es, ¿cuánta deuda técnica tienes, cuánto de un déficit? Y la respuesta siempre va a ser: Depende de la organización, pero creo que las organizaciones están sintiendo cada vez más el dolor de esto», dijo Mason a TechCrunch.
Comienza con buenos datos
Una gran parte de ese déficit de preparación es la parte de datos, con un 39% de los encuestados en la encuesta de Gartner expresando preocupaciones sobre la falta de datos como una de las principales barreras para una implementación exitosa de inteligencia artificial. «Los datos son un desafío enorme y desalentador para muchas organizaciones», dijo Baig. Recomienda enfocarse en un conjunto limitado de datos con miras a la reutilización.
«Una lección simple que hemos aprendido es enfocarnos en datos que te ayuden con múltiples casos de uso, y eso suele terminar siendo tres o cuatro dominios en la mayoría de las compañías en los que puedes comenzar y aplicarlo a tus desafíos comerciales de alta prioridad con valores comerciales y entregar algo que en realidad llegue a producción y escala», dijo.
Mason dice que una gran parte de poder ejecutar la inteligencia artificial con éxito está relacionada con la preparación de los datos, pero eso solo es parte de ello. «Las organizaciones rápidamente se dan cuenta de que en la mayoría de los casos necesitan hacer algo de trabajo de preparación de IA, construcción de plataformas, limpieza de datos, y todo ese tipo de cosas», dijo. «Pero no tienes que hacer un enfoque de todo o nada, no tienes que pasar dos años antes de que puedas obtener algún valor».
Cuando se trata de datos, las compañías también deben respetar de dónde vienen los datos, y si tienen permiso para usarlos. Akira Bell, CIO en Mathematica, una consultora que trabaja con empresas y gobiernos para recopilar y analizar datos relacionados con diversas iniciativas de investigación, dice que su compañía debe avanzar con precaución cuando se trata de poner esos datos a trabajar en inteligencia artificial generativa.
«A medida que miramos la inteligencia artificial generativa, ciertamente va a haber posibilidades para nosotros, y mirando a través del ecosistema de datos que utilizamos, pero tenemos que hacerlo con precaución», dijo Bell a TechCrunch. En parte, esto se debe a que tienen muchos datos privados con estrictos acuerdos de uso de datos, y en parte es porque a veces tratan con poblaciones vulnerables y deben ser conscientes de eso.
«Llegué a una empresa que realmente se toma en serio ser un administrador de datos confiable, y en mi rol como CIO, tengo que estar muy arraigada en eso, tanto desde una perspectiva de ciberseguridad, como en cómo tratamos con nuestros clientes y sus datos, así que sé lo importante que es la gobernabilidad», dijo.
Ella dice que en este momento es difícil no emocionarse por las posibilidades que trae la inteligencia artificial generativa a la mesa; la tecnología podría ofrecer formas significativamente mejores para que su organización y sus clientes comprendan los datos que están recolectando. Pero también es su trabajo moverse con precaución sin obstaculizar el progreso real, un acto de equilibrio desafiante.
Encontrar el valor
Al igual que cuando la nube estaba emergiendo hace una década y media, los CIOs son naturalmente cautelosos. Ven el potencial que trae la inteligencia artificial generativa, pero también necesitan ocuparse de cosas básicas como la gobernanza y la seguridad. También necesitan ver un retorno de la inversión real, lo cual a veces es difícil de medir con esta tecnología.
En un artículo de TechCrunch de enero sobre modelos de precios de inteligencia artificial, la CIO de Juniper Sharon Mandell dijo que estaba resultando desafiante medir el retorno de la inversión en inteligencia artificial generativa.
«En 2024, vamos a estar probando la hipérbole de genAI, porque si esas herramientas pueden producir los tipos de beneficios que dicen, entonces el retorno de la inversión en esos es alto y puede ayudarnos a eliminar otras cosas», dijo. Por lo que ella y otros CIOs están realizando pilotos, avanzando con precaución y tratando de encontrar maneras de medir si realmente hay un aumento en la productividad que justifique el costo adicional.
Baig dice que es importante tener un enfoque centralizado para la inteligencia artificial en toda la empresa y evitar lo que él llama «demasiadas iniciativas de proyectos autónomos», donde pequeños grupos trabajan de forma independiente en varios proyectos.
«Necesitas el andamiaje de la empresa para asegurarte de que los equipos de productos y plataformas estén organizados y enfocados y trabajen a un ritmo. Y, por supuesto, necesita la visibilidad de la alta dirección», dijo.
Nada de eso garantiza que una iniciativa de inteligencia artificial vaya a tener éxito o que las empresas encuentren todas las respuestas de inmediato. Tanto Mason como Baig dijeron que es importante para los equipos evitar intentar hacer demasiado, y ambos destacan la reutilización de lo que funciona. «La reutilización se traduce directamente en velocidad de entrega, manteniendo felices a tus negocios y generando impacto», dijo Baig.
Sin embargo, como las empresas ejecutan proyectos de inteligencia artificial generativa, no deberían verse paralizadas por los desafíos relacionados con la gobernanza y la seguridad, y la tecnología. Pero tampoco deben dejarse cegar por la exageración: Habrá obstáculos de sobra para casi todas las organizaciones.
El mejor enfoque podría ser comenzar con algo que funcione y muestre valor y construir desde allí. Y recuerda, que a pesar de la exageración, muchas otras empresas también están luchando.
