Construyendo un lugar de trabajo nativo de IA: Lecciones desde la primera línea

¿Qué harías si estuvieras corriendo una carrera de 10K, luchando por subir una cuesta difícil, y de repente cambian las reglas de la carrera? ¿Qué pasaría si los conductores comenzaran a recoger a los corredores en coches y luego compitieran entre sí para llegar a la meta? ¿Seguirías corriendo, sabiendo perfectamente que te quedarás atrás en el pelotón? ¿O te subirías al coche, acelerarías y competirías por el gran premio?

En los negocios de hoy, la IA es ese coche que está disruptando la forma en que las empresas funcionan. Las empresas pueden seguir adelante de la manera que siempre han hecho – desarrollando planes a largo plazo, adherirse a procesos, empujando a los empleados a trabajar más duro que nunca para tener éxito en entornos cada vez más competitivos. Pero la IA está cambiando la naturaleza de la carrera. Está dando a las empresas un nuevo vehículo para moverse más rápido y dar a los trabajadores nuevas rutas para sortear problemas. Cualquier empresa que no tome el volante y no infunda el poder de la IA en su fuerza laboral se quedará atrás en esa larga y empinada cuesta.

Aceptando el futuro convirtiéndose en un gerente de IA

Aquí en Cockroach Labs, aprendimos muy rápidamente que la IA de generación puede ayudarnos a hacer cosas que nunca pensamos que serían posibles. Hemos utilizado la IA en toda la empresa para la búsqueda de IA de generación, sistemas de recomendación y búsqueda semántica.

Uno de los mejores ejemplos de cómo la IA puede transformar un proceso de fuerza laboral es lo que está sucediendo en nuestro departamento de educación. Nuestro equipo está utilizando la IA para acelerar el desarrollo de currículos que ayudan a los clientes, socios y nuestra propia fuerza laboral a convertirse en expertos en la operación de nuestra línea de productos de bases de datos.

Recientemente creamos un curso que presentó 21 ejercicios prácticos y 20 decks de diapositivas con notas detalladas para los estudiantes. Antes de comenzar el proyecto, estimamos que, utilizando nuestro proceso de desarrollo normal – teniendo en cuenta las estimaciones estándar de la industria para el tiempo que lleva a los desarrolladores producir una hora de contenido – esto tomaría de tres a cinco meses para completar.

¿Qué sucedió? Incorporando la IA de generación en nuestros procesos existentes, pudimos terminar la tarea en cinco semanas.

En el proceso, aprendimos una serie de lecciones.

• Todos somos gerentes de IA. Cada uno de nosotros tiene la oportunidad de pensar de manera muy diferente utilizando la IA. Cada uno de nosotros debe actuar como gerentes, ya sea que tengamos informes directos o no, porque gestionamos una oferta prácticamente ilimitada de capacidad de inteligencia que podemos poner a trabajar en proyectos desafiantes. ¿Cuánto puedes automatizar? ¿Cuán creativo puedes ser? ¿Cuán efectivamente puedes solicitar a tu herramienta de IA, desafiarla y desplegar el nuevo modelo que genera? Puedes aprovecharla. Puedes gestionarla. Puedes hacer esencialmente tanto como tu propia capacidad te permita hacer.
• No esperes que la IA haga todo. Hay tareas para las que simplemente no está diseñada para realizar. Pero puedes encomendarle tareas que los trabajadores ya no deberían estar haciendo – trabajos que son tediosos, pero que aún requieren un cierto grado de inteligencia.
• No aceptes ciegamente los resultados que produce. Verifica, verifica y vuelve a verificar. Confía en la tecnología, pero siempre verifica – porque la precisión convierte las suposiciones en logros.

El proceso paso a paso de implementación de IA para la gestión de tareas

Aquí hay un resumen rápido de algunas de las formas en que la IA nos ayudó a subir la cuesta, a la meta, mucho más rápido de lo que esperábamos.

• Diferentes modelos: Diferentes modelos tienen diferentes fortalezas. Así que, al igual que los fabricantes utilizan componentes de la mejor calidad cuando construyen una solución, no dudes en cambiar de modelo cuando tenga sentido aprovechar esas fortalezas. Utilizamos Claude Sonnet 3.5 para crear el primer borrador del ejercicio porque sobresalía en la creación de prosa y instrucciones atractivas. Utilizamos ChatGPT 4o&”o modelos de razonamiento como revisores técnicos para refinar comandos y garantizar la precisión técnica en el segundo borrador.
• Resultados reproducibles: Cuando realizamos tareas técnicas muy complejas, queríamos poder hacer cumplir requisitos técnicos claros y producir resultados estructurados que apoyaran resultados reproducibles. Para hacerlo, proporcionamos requisitos de estructura explícitos y ejemplos de formato.
• Solicitudes para tareas técnicas muy complejas: Sé muy específico sobre lo que le pides a la IA que haga –

de lo contrario, puede hacer cosas locas. Establece claramente cualquier suposición sobre las entradas o condiciones ambientales y pide al modelo que maneje casos inesperados.

• Solicitudes refinadas: Es importante animar a las herramientas de IA a hacer preguntas clarificadoras. Las primeras solicitudes no serán perfectas, así que espera varias rondas. Incorpora cualquier mejora o paso que el modelo sugiera en tu solicitud base y itera con la IA y tus compañeros de equipo.
• Pruebas, pruebas, pruebas: Las verificaciones de consistencia son fundamentales. Una forma de medir la efectividad de tu solicitud es garantizar una salida coherente. Así que probamos con frecuencia para asegurarnos de que estábamos introduciendo la misma entrada y de que la salida permanecía igual.

La experiencia humana al timón: el papel esencial de la supervisión de IA

Si bien la IA elimina tareas que consumen tiempo de los trabajadores, no las elimina por completo de los flujos de trabajo. Los humanos siguen desempeñando papeles críticos en nuestro desarrollo de currículos, y deben integrarse en los procesos impulsados por IA para garantizar que los procesos tengan éxito.

Un buen ejemplo es cómo nuestro equipo de educación realiza la ingeniería de solicitudes. Los humanos son responsables de crear la solicitud inicial, incluyendo el contexto de fuentes relevantes. Luego, después de que la herramienta de IA de generación ejecuta la solicitud, el humano revisa la salida de la herramienta. Es esencial que esta persona sea un experto en la materia que pueda detectar errores temprano en el proceso. Los compañeros de equipo siguen colaborando con la herramienta y iterando hasta que el equipo esté satisfecho de que la solicitud esté lista para publicarse.

Mientras que esta colaboración humana/IA ha demostrado ser efectiva, requiere que un humano gestione el contexto y las transiciones entre modelos.

Sin humanos en el bucle, los equipos estarían a merced de las herramientas de IA que pueden ser notoriamente poco fiables. Cuando comenzamos nuestro proyecto de currículo, las herramientas hicieron bien resumiendo o explicando conceptos, dados los contextos adecuados. Sin embargo, a menudo “alucinaban”. Hoy en día, los modelos son mejores para razonar, pero un humano todavía necesita gestionar el proceso. Ahora, los humanos pueden centrarse en la revisión y la creatividad, y no solo en la gestión del proceso.

En el futuro, los agentes de IA desempeñarán un papel más importante en el proceso. En lugar de que los humanos recopilen manualmente el contexto de las fuentes, creen solicitudes con contexto, muevan el trabajo entre los modelos de IA y revisen y perfeccionen las salidas, estamos desarrollando agentes que pueden realizar muchas de estas tareas – con un poco de ayuda. El agente puede recopilar y procesar materiales de contexto de forma autónoma, generar taxonomías de habilidades y esquemas de cursos, ejecutar nuestros flujos de trabajo establecidos y presentar solo los puntos de decisión clave a los expertos humanos.

Conclusión

Mientras que las carreras rápidas son excelentes para mantener la forma física, los coches han transformado hace mucho la capacidad de los humanos para llegar a donde necesitan ir. La IA está brindando los mismos beneficios en el lugar de trabajo – ayudando a las empresas a mejorar los procesos y generar mejores resultados. Aquellos que la acepten y aprovechen sus ganancias de eficiencia compuestas dejarán a los competidores atrás.