La IA no puede arreglar un mal suelo: Cómo las empresas pueden preparar su ecosistema interno para una implementación exitosa de la IA

Aunque a menudo se estereotipa a los líderes empresariales como personas que solo se preocupan por las ganancias, un estudio reciente ha demostrado que más del 80% de las empresas no están rastreando el ROI de sus gastos en IA. Por otro lado, aquellos que sí están rastreando el ROI están encontrando que no está viviendo hasta la hipería con solo una cuarta parte de los CEOs globales informan que sus inversiones en IA están cumpliendo con las expectativas de ROI.

Pero como reza el dicho, “un mal carpintero culpa a sus herramientas” – en otras palabras, para muchos, el ROI es decepcionante porque las implementaciones de IA han sido configuradas para fallar. Si consideramos a una empresa como un jardín, para que la productividad y las ganancias crezcan, hay ciertos pasos que deben tomarse antes de implementar una herramienta como la IA para que tenga el mayor impacto medible.

Paso 1: Identificar dónde son esenciales los humanos

Quizás debido a la sobre-promesa de capacidades inherentes en la publicidad de productos LLM, hay una concepción errónea común de que la IA es un asunto de plug-and-play. En realidad, las mejores implementaciones de IA comienzan identificando dónde la supervisión humana es innegociable.

Por ejemplo, cuando trabajé con una firma de servicios legales, mi equipo y yo nos encargamos de implementar un sistema de IA capaz de procesar grandes volúmenes de documentos legales – clasificarlos, extraer hechos clave y decidir si retener, tachar o eliminar los archivos.

Mientras la IA realizaba el trabajo pesado escaneando documentos para relevancia, etiquetando datos sensibles y resumiendo respuestas, los resultados se pasaban a abogados humanos que podían revisar el trabajo, confirmar los juicios legales y anular clasificaciones cuando fuera necesario.

No solo ayudó a proteger a la firma de posibles riesgos, sino que también aislar el costo de la automatización del costo de la supervisión hará que las auditorías de ROI sean más limpias en el futuro.

Paso 2: Identificar cómo la IA puede complementar mejor a su personal

Para maximizar el ROI de la IA, es necesario ser selectivo sobre dónde puede servir mejor a su organización. Los procesos ideales para descargar incluyen tareas repetitivas o basadas en reglas (por ejemplo, triage básico de servicio al cliente o codificación de facturas), búsquedas de conocimiento pesadas como cláusulas contractuales y entrada de datos propensa a errores, entre otros.

Es igualmente importante que los modelos de IA estén configurados estratégicamente para complementar, en lugar de interrumpir, el flujo de trabajo. Para hacer esto, mapee los flujos de trabajo de los empleados en tareas y luego etiquete esas tareas bajo una de tres categorías de procesos: generar, seleccionar o juzgar. Las tareas generativas se pueden entregar a la IA, las tareas que requieren juicio permanecen con los empleados humanos y las tareas que requieren selección pueden ser un proceso colaborativo donde la IA sugiere los siguientes pasos y los humanos determinan el mejor camino a seguir.

En el ejemplo de servicios legales anterior, la IA estaba manejando la triage inicial clasificando documentos (generativo), señalizando contenido sensible (generativo) y resaltando respuestas probables (selectivo). De esta manera, el papel de los empleados humanos se desplazó de buscar en los detalles finos de los documentos a verificar los resultados (juicio) – convirtiendo el trabajo que solía tomar días en un asunto de horas.

En cuanto al ROI, esto libera más tiempo para gastarlo en las excepciones a las reglas, que es donde se esconden las ganancias.

Paso 3: Estandarizar sus datos de entrenamiento

Afinar los LLM con los datos de su empresa puede desbloquear ventajas competitivas, pero para que la IA sea fructífera, necesita un suelo rico en nutrientes, lo que significa buenos y limpios datos. Los malos o ruidosos datos envenenarán los resultados y amplificarán los sesgos. En resumen, la disciplina de datos dicta la confiabilidad de la salida.

Entonces, ¿qué implica esto? Un gran volumen y variedad de datos es importante, pero también es igualmente importante que sean de alta calidad. Las inconsistencias en los formatos de datos y las convenciones de nomenclatura, o los campos faltantes o incompletos, afectarán negativamente la calidad de las entradas brutos. De manera similar, los datos duplicados o las tuberías de datos no estructuradas inflarán las facturas de almacenamiento y ralentizarán el rendimiento del modelo.

Por lo tanto, es imperativo que las entradas de datos tengan controles de calidad y una sólida gobernanza – lo que significa control de acceso y cumplimiento regulatorio. Sin estos filtros, no está invirtiendo en IA, solo está quemando dinero en bucles de limpieza.

Con todo el revuelo sobre la IA, es comprensible que los líderes puedan sentirse presionados para sumergirse en una implementación lo antes posible, pero tomar el tiempo para desplegar un modelo estratégicamente, o fertilizar el suelo antes de plantar semillas, conducirá a un mayor éxito y rendimiento de la inversión.