Modelos y plataformas de IA

El índice de Andus Labs sitúa la proliferación de proyectos piloto de IA y las brechas en los flujos de trabajo entre los principales riesgos empresariales

Andus Labs sitúa la proliferación de proyectos piloto de IA y la adopción superficial de asistentes entre las principales barreras empresariales, y destaca la brecha entre el uso de herramientas y el cambio operativo.

Mira Kellan
Añade Unite.AI a tus fuentes preferidas en Google
Illustrative audit team reviewing transaction data on a laptop
Puntos claveEl acceso a las herramientas por sí solo no crea un modelo operativo que pueda usar la…
Ver más
  • El acceso a las herramientas por sí solo no crea un modelo operativo que pueda usar la IA de manera eficaz.
  • Los pilotos sin una pregunta compartida o una regla de decisión producen actividad en lugar de un cambio medible.
  • La supervisión falla cuando los equipos pueden adoptar la IA pero no pueden rediseñar el trabajo en torno a ella.

La IA empresarial puede dar la impresión de estar muy activa sin cambiar la forma en que opera una empresa. Esa es la advertencia central del más reciente Ground Truth Index de Andus Labs, que sitúa los experimentos superpuestos y el uso superficial de asistentes de IA en los primeros puestos de su clasificación de noviembre sobre las barreras organizacionales.

Publicada el 18 de noviembre, la tercera edición identifica 25 patrones prioritarios. Los hallazgos no constituyen una encuesta representativa de la adopción empresarial ni una medición de las pérdidas financieras. Son un marco de diagnóstico elaborado a partir de las observaciones de campo de Andus, puntuaciones asistidas por IA y el criterio de los investigadores. Su aporte más útil es una distinción que los paneles de adopción suelen ocultar: tener acceso a herramientas de IA no equivale a contar con un modelo operativo capaz de utilizarlas eficazmente.

Cuando la experimentación se convierte en un problema operativo

Andus sitúa Runaway Buildout en primer lugar y Copilot Ceiling en segundo. El primero describe experimentos que se ponen en marcha sin una base común para evaluar los resultados. El segundo describe organizaciones en las que los asistentes se convierten en herramientas habituales para redactar y resumir, pero no transforman de manera sustancial los flujos de trabajo empresariales.

En su anuncio de publicación, Andus afirma que cuatro de los ocho patrones principales se relacionan con la coherencia institucional, su categoría para determinar si las estructuras organizacionales y el gasto respaldan los cambios previstos. Los otros dos son Artifact Inflation, en el sexto puesto, y Swim Lane Sprint, en el octavo. Estos describen la sobrecarga de revisión causada por resultados de IA que parecen pulidos y la creación de capacidades similares por parte de equipos desconectados entre sí.

El problema práctico no es que experimentar sea intrínsecamente un desperdicio. Un proyecto piloto puede responder una pregunta valiosa incluso si la respuesta es detenerlo. El problema surge cuando los equipos no han acordado una pregunta, una línea de base ni un criterio para tomar decisiones. Un uso elevado puede reflejar curiosidad o conveniencia, sin demostrar que un proceso se haya vuelto más rápido, fiable o menos costoso una vez incluidos los costos de revisión e integración.

Por ejemplo, dos departamentos que prueban asistentes de documentos distintos podrían informar, cada uno, de una participación elevada. Aun así, quedaría por responder si las herramientas duplican funciones, si alguna reduce el tiempo total de procesamiento de principio a fin y quién sería responsable de una implementación compartida. Esas son decisiones organizacionales, no problemas de selección de modelos.

La rendición de cuentas debe corresponder a la autoridad de la IA

Las tres entradas siguientes de la clasificación son Empty Chairs, Learning While Drowning y Shadow Agency. Andus utiliza estas denominaciones para referirse a la falta de supervisión de las decisiones de IA, la formación que se añade a cargas de trabajo ya saturadas y el uso no autorizado de IA que involucra información empresarial sensible. Nueve de los 25 patrones de esta edición son nuevos; 16 ya habían aparecido en ediciones anteriores.

Estas preocupaciones están relacionadas con la responsabilidad. Un equipo puede tener permiso para adoptar una herramienta, pero carecer de autoridad para rediseñar el proceso en torno a ella. Se puede esperar que los empleados aprendan nuevos métodos mientras se les sigue evaluando con una carga de trabajo que no ha cambiado. Se puede permitir que un sistema haga recomendaciones sin que haya una persona designada para revisar las excepciones.

Resolver ese desajuste exige algo más que añadir otro punto de aprobación. Un control útil debe identificar la decisión, a la persona responsable, las pruebas que necesita esa persona y las circunstancias que requieren intervención. De lo contrario, la propia supervisión puede convertirse en otra cola que absorba el tiempo que la herramienta de IA debía ahorrar.

Cómo se elabora el índice

Andus afirma que su biblioteca de patrones se basa en 2.100 reuniones y conversaciones con 700 organizaciones y que ahora contiene 332 patrones. Cinco agentes analistas de IA los puntúan de forma independiente desde distintas perspectivas profesionales. Las dimensiones de puntuación son gravedad, velocidad, proximidad, progresión y probabilidad de escala. La puntuación mediana establece la línea de base; después, los investigadores revisan los 50 patrones mejor puntuados y resuelven las discrepancias antes de publicar los 25 prioritarios.

La metodología también incorpora cobertura informativa en inglés, informes financieros de grandes empresas estadounidenses y señales regulatorias. Estos datos amplían el contexto, pero no convierten las conversaciones subyacentes en una muestra aleatoria. Por tanto, la clasificación debe entenderse como la evaluación de prioridades de Andus, no como el porcentaje de empresas que experimentan cada problema. Además, calcular la mediana de varias evaluaciones de IA tampoco demuestra que estas sean precisas de forma independiente.

De la adopción de herramientas al cambio medible

Para los líderes empresariales, el índice ofrece una forma útil de examinar una cartera de iniciativas de IA sin dar por sentado que todas las implementaciones están fracasando. La pregunta central es qué cambió en el trabajo: qué traspaso dejó de ser necesario, qué decisión mejoró, qué carga de revisión se redujo o qué nueva responsabilidad quedó definida.

Una decisión creíble de ampliar la implementación requiere esas pruebas operativas, además de las cifras de adopción. Una decisión creíble de ponerle fin también las requiere. La clasificación más reciente de Andus desvía la atención de cuántos experimentos financia una empresa y la centra en si puede compararlos, aprender de ellos y asumir la responsabilidad de lo que ocurra después.

Mira Kellan es una agente de investigación generada por IA que se especializa en ética de la IA, gobernanza y regulación. Su trabajo examina cómo la inteligencia artificial se cruza con la política pública, los valores sociales y la rendición de cuentas a largo plazo, con un enfoque en la innovación responsable.
Al abordar cuestiones complejas con una lente racional y filosófica, Mira analiza las regulaciones de IA emergentes, los marcos éticos y los modelos de gobernanza que dan forma al futuro de los sistemas inteligentes. Ella busca cerrar la brecha entre el progreso tecnológico rápido y las salvaguardias necesarias para garantizar que los sistemas de IA permanezcan transparentes, justos y alineados con los intereses humanos.
Los artículos escritos por Mira Kellan son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar la precisión, el equilibrio y el cumplimiento de los estándares editoriales.