Alinear el potencial de la IA con la realidad práctica

Las herramientas de IA han visto una adopción generalizada en los negocios desde el lanzamiento de ChatGPT en 2022, con 98% de las pequeñas empresas encuestadas por la Cámara de Comercio de los Estados Unidos que las utilizan. Sin embargo, a pesar del éxito en áreas como el análisis de datos, la resumen, la personalización y otras, una encuesta reciente de 2,500 trabajadores en los Estados Unidos, el Reino Unido, Australia y Canadá encontró que 3 de cada 4 trabajadores informan que la IA ha aumentado en realidad su carga de trabajo. La promesa de la IA es, por lo tanto, alta, pero la realidad en el terreno parece ser, hasta ahora, ligeramente decepcionante.

Esta discrepancia subraya un desafío crítico: cerrar la brecha entre la gran promesa de la IA y su impacto práctico limitado en las operaciones empresariales. Cerrar esta brecha es esencial para que las organizaciones puedan realizar completamente el valor de sus inversiones en IA y aumentar la adopción entre sus trabajadores y partes interesadas.

Una visión de producto para las inversiones en IA

Aunque la IA ha hecho avances significativos, muchas soluciones empresariales siguen en la etapa experimental de prueba de concepto y no están completamente adaptadas para las operaciones diarias. En una encuesta transfronteriza e industrial de 1,000 CxOs y ejecutivos senior, BCG encontró que el 74% de las empresas luchan por realizar y escalar el valor en sus inversiones en IA. Parte de la razón de esto es que hoy en día, las interfaces de usuario de IA más prominentes se basan en lenguaje natural entregado a través de un paradigma de chatbot. Si bien estas modalidades son sin duda útiles cuando se trata de tareas como la resumen y otros contextos basados en texto, no coinciden con la forma en que se lleva a cabo el trabajo en la mayoría de las empresas.

Para maximizar el impacto, el diseño de las herramientas de IA debe evolucionar para ir más allá de las interfaces aisladas y basadas en texto hacia aplicaciones integradas y mejoradas de flujo de trabajo que satisfagan mejor las necesidades operativas de las grandes organizaciones. La próxima fase de la evolución de la IA será cada vez más agente, fusionándose sin esfuerzo en el fondo de las operaciones empresariales y permitiendo a los equipos centrarse en la ideación y estrategia de alto nivel que conduce a operaciones automatizadas, saltando la ejecución manual pero conservando el control humano en el bucle que aún depende del juicio humano no automatizable.

Esta transición de “experimental” a “esencial” requiere un enfoque productizado para el desarrollo, la implementación y las operaciones de IA, similar a cómo Apple (AAPL ), por ejemplo, revolucionó la industria tecnológica con el lanzamiento del iPhone: un producto pensado y diseñado, con una experiencia de usuario de clase mundial desde el primer día.

Cerrar las brechas de datos y garantizar la eficiencia de costos

Para avanzar hacia esta versión más sofisticada y productizada de la IA, es vital abordar las brechas dentro del patrimonio de datos de la empresa. El interés creciente en la implementación de la IA en las empresas ha expuesto amplios silos de datos, que impiden a las organizaciones escalar la IA más allá de los prototipos.

Por supuesto, es importante tener en cuenta que los obstáculos financieros también pueden disuadir a las organizaciones de expandir su uso de la IA desde los pilotos hasta las aplicaciones empresariales. La infraestructura necesaria para entrenar y mantener modelos de IA avanzados, que abarca la potencia de cálculo, el almacenamiento de datos y los costos operativos continuos, puede aumentar rápidamente. Sin una supervisión cuidadosa, estos proyectos corren el riesgo de volverse insosteniblemente costosos, reflejando los desafíos iniciales vistos durante la adopción de las tecnologías en la nube.

Centrarse en garantizar la integridad, la limpieza y la calidad de los datos en primer lugar puede ayudar a reducir los costos a largo plazo. Con demasiada frecuencia, las empresas se centran en la IA primero y abordan sus desafíos de datos solo más tarde, creando ineficiencias y oportunidades perdidas.

La eficiencia de costos está estrechamente vinculada a las inversiones en la capa de infraestructura de datos y núcleo. Invertir en esta parte de la pila es clave para garantizar que los LLM puedan ejecutarse a escala. En términos prácticos, esto significa estandarizar la recopilación de datos, garantizar la accesibilidad y implementar sólidos marcos de gobernanza de datos.

IA responsable

Las empresas que incorporen principios de IA responsable en una base de datos sólida y bien gobernada estarán mejor posicionadas para escalar sus aplicaciones de manera eficiente y ética. Principios como la equidad, la transparencia y la rendición de cuentas en las entradas y salidas de la IA ya no son opcionales para las empresas; son imperativos estratégicos para mantener la confianza con los empleados y los clientes, así como para cumplir con las regulaciones emergentes.

Un marco crítico es el Reglamento de IA de la UE, que exige una documentación clara, transparencia y gobernanza para los sistemas de IA de alto riesgo. El cumplimiento de estos marcos requiere que las empresas implementen procesos que no solo validen sus modelos de IA, sino que también los hagan interpretables y responsables, lo cual es particularmente vital en aplicaciones de alto riesgo como la puntuación crediticia, la detección de fraude y las recomendaciones de inversión. Las empresas que prioricen estas prácticas pueden mantenerse por delante de las demandas regulatorias y evitar riesgos legales o de reputación costosos.

Además, a medida que la industria evoluciona y los sistemas de IA agente que pueden tomar decisiones autónomas se vuelven más comunes, las apuestas para una implementación responsable aumentan. Delegar acciones a las herramientas de IA requiere confianza en su comportamiento ético y confiabilidad. Para lograr esto, las organizaciones deben invertir en marcos de auditoría y monitoreo continuos para garantizar que los sistemas de IA operen como se pretende y proteger contra sesgos de resultado y resultados injustos.

Mirando hacia adelante

El potencial transformador de la IA en las operaciones empresariales es innegable, pero realizar su valor completo requiere un cambio en la forma en que las organizaciones abordan su desarrollo y despliegue. Ir más allá de las aplicaciones experimentales hacia herramientas integradas en el flujo de trabajo y escalables requiere un enfoque agudo en abordar cuestiones fundamentales de calidad de datos, gobernanza y accesibilidad, y adoptar una mentalidad de producto.

Cerrar las brechas de datos y hacer de la IA responsable el centro de la estrategia será clave para mantener la confianza con las partes interesadas, seguir cumpliendo con los imperativos de cumplimiento estratégico y garantizar que los sistemas de IA no solo sean escalables, sino también confiables y efectivos. De esta manera, la promesa de la IA puede realizarse y sus luchas actuales de adopción serán superadas en organizaciones de todos los tamaños.