La adopción exitosa de la IA da lugar a un segundo despliegue que las empresas rara vez planifican

Hace unos tres años, pagué mi primera suscripción de IA y empecé a probar qué podía hacer realmente por mí. Poco a poco, lo que comenzó como una experimentación personal se convirtió en un pequeño proyecto interno, luego en suscripciones empresariales para toda la compañía y, finalmente, en un despliegue de IA que abarcó casi todos los departamentos: desarrollo, finanzas, asuntos legales, marketing y soporte.

En esencia, la primera fase funcionó. En unos seis meses, nuestra velocidad de desarrollo interno aumentó aproximadamente cinco veces. Al mismo tiempo, también aumentó otra cifra: nuestro gasto en IA se multiplicó por aproximadamente 15.

Fue entonces cuando entendí que la adopción exitosa de la IA podía crear problemas propios. Una vez que la tecnología empezó a usarse de forma generalizada, las reglas iniciales dejaron de funcionar. Los costos podían descontrolarse a medida que la IA accedía a más datos de la empresa y asumía más tareas, mientras que muchos de los propios instrumentos seguían bajo el control de proveedores externos.

Entonces, ¿qué debería hacer un director ejecutivo cuando la adopción de la IA da resultado, pero la empresa ya no tiene pleno control sobre cómo se utiliza? Intentemos responder a esa pregunta.

Dejen de confundir el uso activo de la IA con los resultados empresariales

Lo primero que noté fue que, durante el despliegue inicial, las métricas de adopción —como el número de usuarios activos o la frecuencia de uso— tenían sentido. Como líder, quieres saber si los empleados utilizan las herramientas, cuáles en particular y si la IA realmente les ahorra tiempo. Sin embargo, una vez que el uso se extiende a toda la empresa, estas cifras resultan mucho menos útiles.

Lo comprobamos en nuestra propia empresa. Cuando las personas tuvieron acceso a modelos potentes, empezaron a utilizarlos para casi todo. En cierto momento, los empleados comenzaron a preguntarle a la IA qué hora era en Nueva York. Por supuesto, el ejemplo es absurdo, pero muestra con qué rapidez puede crecer el uso sin generar un valor sustancial para la empresa.

Shopify se enfrentó a un problema similar tras integrar la IA tan profundamente que su agente interno, River, ahora redacta hasta la mitad de sus solicitudes de incorporación de código a producción. Sin embargo, su director ejecutivo, Tobi Lütke, advirtió recientemente sobre lo que llama «granadas de basura»: trabajo generado por IA que los empleados entregan sin revisarlo debidamente, y que dejan a otra persona la tarea de revisar, corregir o incluso resumir.

En otras palabras, una mayor actividad de la IA puede generar fácilmente más trabajo en lugar de más valor. Una empresa puede tener cifras de uso impresionantes y producir enormes cantidades de contenido, aunque parte de ese contenido simplemente cree una tarea adicional para otra persona.

Esto es lo que los directores ejecutivos deben cambiar. Las instrucciones, los inicios de sesión y el consumo de tokens muestran mucha actividad dentro del flujo de trabajo. Aun así, no indican si la IA realmente compensa su costo.

La velocidad crea un nuevo cuello de botella

Hay un dicho: las prisas nunca son buenas. Creo que también se aplica a la IA, pues hemos aprendido que hacer que las personas trabajen «más rápido» con IA no significa necesariamente que de pronto tengan menos trabajo.

En desarrollo, la IA permite ahora que nuestro equipo produzca mucho más código en el mismo tiempo, pero lo fundamental es que todo ese código todavía debe revisarse antes de ponerse en producción. Sin duda, la revisión automatizada ayuda.

Sin embargo, todavía estamos lejos de poder confiar ciegamente en ella. Así que, aunque los desarrolladores dedican menos tiempo a escribirlo todo por sí mismos, ahora tienen mucho más trabajo que revisar, probar y evaluar para tomar decisiones.

En otras palabras, el trabajo no desaparece. Simplemente adopta otra forma.

Esto hace que nuestro aumento de cinco veces en la velocidad de desarrollo parezca algo menos abrumador, dado que también aumenta la cantidad de código que requiere atención humana. El costo real de un flujo de trabajo habilitado por IA también incluye el tiempo dedicado a revisar lo que produce la IA y, sobre todo, a decidir si se puede confiar en ese resultado desde el principio.

El segundo despliegue es imprescindible

Desde mi perspectiva, las empresas necesitan lo que yo llamaría un «segundo» despliegue de IA.

El primer despliegue se centra principalmente en la adopción: dar acceso a las personas, encontrar casos de uso y observar dónde la tecnología realmente ayuda y dónde no. Pero, tras varios meses de uso real, ya tienen algo mucho más valioso que las suposiciones: pruebas propias que muestran dónde aumentan los costos, qué equipos obtienen mejores resultados y dónde las personas dedican demasiado tiempo a revisar los resultados de la IA.

Por eso, creo que este es el momento de rediseñar las reglas en torno a la IA, en lugar de limitarse a impulsar un uso más amplio. En la práctica, me centraría en tres aspectos:

• Elegir el modelo adecuado para cada tarea. Las solicitudes rutinarias pueden dirigirse a modelos más pequeños y económicos, mientras que las tareas más complejas pueden asignarse a modelos cuyo rendimiento justifique el costo adicional. El objetivo final es evitar pagar precios de modelos de vanguardia para tareas de escaso valor.
• Determinar en qué casos es obligatorio el control humano. Para el código destinado a producción, los documentos legales u otros resultados de gran impacto, definan en qué punto una persona debe aprobar el resultado antes de que avance en el flujo de trabajo. Por separado, establezcan reglas de acceso a los datos confidenciales para que los empleados sepan qué modelos pueden recibirlos y cuáles no.
• Elabora un plan alternativo aunque creas que no lo necesitas. Si un flujo de trabajo crítico depende de un proveedor externo, documenta las instrucciones, las integraciones, los flujos de datos y las dependencias específicas del modelo con suficiente detalle para poder migrar la carga de trabajo a otro proveedor en caso de emergencia.

Esa es la diferencia entre el primer y el segundo despliegue de IA. El primero pregunta: ¿dónde podemos usar la IA? El segundo pregunta: ¿dónde deberíamos usarla, con qué reglas y a qué costo?

Audita el despliegue antes de ampliarlo de nuevo

Una vez que la adopción de la IA funciona y el primer despliegue parece haber tenido éxito, no seguiría ampliándolo de la misma manera durante otro año. Tras aproximadamente entre 90 y 180 días de uso real, me detendría para auditar lo que la empresa ha creado en realidad.

Esto implica medir los resultados empresariales aceptados, ajustar el modelo y su costo al valor real de la tarea, identificar dónde sigue siendo obligatoria la revisión humana y hasta qué punto un flujo de trabajo puede acercarse de algún modo a la automatización total.

El primer despliegue demuestra que la IA puede hacer que la empresa trabaje más rápido. El segundo es lo que evita que esa velocidad se traduzca en gastos innecesarios, acceso sin control o dependencias de proveedores que la empresa nunca aceptó de forma consciente.