Construyo Sistemas de IA para Ganarme la Vida. Aquí Está lo que la Mayoría de la Gente se Equivoca

Construyo sistemas de IA para centros de contacto empresariales.

No demos, benchmarks o proyectos de investigación. Sistemas de producción que interactúan con clientes, navegan políticas, recuperan información de plataformas empresariales desconectadas y operan dentro de entornos moldeados por datos desordenados, registros contradictorios, ruido de fondo y comportamiento humano impredecible.

Esa experiencia me ha dado un asiento en primera fila para presenciar una de las mayores desconexiones en la industria de la IA. La conversación pública sobre la IA a menudo está dominada por lo que la tecnología podría llegar a ser algún día, mientras que las organizaciones están tratando de figurar cómo desplegarla con éxito hoy. Esas son conversaciones muy diferentes.

Las preguntas que paso mi tiempo respondiendo rara vez involucran inteligencia artificial general o si las máquinas eventualmente reemplazarán a los humanos. Tienen tendencia a ser mucho más prácticas. ¿Puede el sistema interpretar consistentemente las solicitudes de los clientes? ¿Puede recuperar información precisa en múltiples plataformas empresariales? ¿Puede recuperarse cuando los datos son incompletos? ¿Puede escalar adecuadamente cuando la confianza es baja? ¿Pueden los equipos confiar en él lo suficiente como para desplegarlo a gran escala?

Esas preguntas pueden ser menos emocionantes que los titulares, pero son las que determinan si la IA empresarial tiene éxito. Con el tiempo, he llegado a creer que la mayoría de las organizaciones sobreestiman la importancia del modelo en sí y subestiman todo lo que se requiere para hacer que ese modelo sea útil dentro de un negocio real.

La Demostración no es la Implementación

Cualquiera que trabaje en estrecha colaboración con la IA empresarial entiende la brecha entre una demostración controlada y una implementación de producción.

Encontramos ejemplos de esto constantemente. Un sistema de IA con el que hemos estado trabajando lucha aproximadamente la mitad del tiempo para interpretar correctamente un número de pedido de 16 dígitos convertido en palabras. Este tipo de fallos son similares al ahora famoso “¿cuántas erres hay en la palabra fresa?” problema, donde los modelos de lenguaje avanzados lucharon con una tarea que parecía trivial para los humanos. Los mismos modelos pueden obtener resultados excepcionales en exámenes como el MCAT. Esa diferencia revela algo importante: el rendimiento de la referencia y la confiabilidad operativa no son lo mismo.

Una vez que la IA entra en producción, hereda toda la complejidad del entorno que la rodea. Los sistemas empresariales contienen registros incompletos, información contradictoria, procesos desactualizados, aplicaciones desconectadas y casos de borde que se han acumulado durante décadas. Los clientes hacen preguntas vagas. Las políticas cambian. La calidad de los datos varía. El comportamiento humano sigue siendo maravillosamente impredecible.

Esas realidades moldean los resultados mucho más que las puntuaciones de referencia porque la IA no opera en una referencia. Opera dentro de procesos comerciales, sistemas y flujos de trabajo que introducen complejidad que el modelo no puede resolver por sí solo.

La IA Empresarial Tiene una Capa de Operaciones

Una lección que consistentemente sorprende a las personas es lo rápido que el rendimiento del modelo deja de ser el factor limitante. Una vez que un sistema alcanza la producción, los desafíos operativos a menudo se vuelven más importantes que el modelo en sí. Las iniciativas de IA exitosas dependen del diseño de procesos, la alineación organizativa, la calidad de los datos, la integración de sistemas, la observabilidad, las vías de escalada, la gobernanza y la confianza.

Los equipos necesitan procedimientos claros para manejar los fallos. Necesitan visibilidad en cómo los sistemas toman decisiones. Necesitan confianza en que los problemas pueden ser identificados y resueltos antes de que afecten a los clientes. Las organizaciones a menudo descubren que el trabajo que rodea el sistema de IA requiere tanta atención como el sistema de IA en sí.

Esa capa operativa es donde muchas implementaciones ultimately tienen éxito o luchan.

El Servicio al Cliente Sigue Siendo uno de los Problemas más Difíciles

La experiencia del cliente ofrece uno de los ejemplos más claros de esta complejidad.

Las interacciones simples se han vuelto cada vez más manejables para los sistemas de IA. Verificar el saldo de una cuenta. Restablecer una contraseña. Buscar el estado de un vuelo. Estas son tareas altamente estructuradas con resultados predecibles.

Las conversaciones reales de los clientes rara vez se quedan así de simples.

Un cliente que intenta resolver un problema de aerolínea que involucra puntos de lealtad, transportistas asociados, disputas de reembolso, excepciones de política y múltiples interacciones previas presenta un desafío muy diferente. El contexto está fragmentado. Los objetivos pueden ser poco claros. Las políticas pueden entrar en conflicto. Las emociones a menudo entran en la conversación.

Estas interacciones siguen representando una parte significativa del trabajo de servicio al cliente y requieren razonamiento a través de sistemas, procesos y reglas comerciales de una manera que sigue siendo difícil para la IA. El progreso ha sido notable. La complejidad sigue siendo real.

Los Datos Empresariales Están Finalmente Volviéndose Utilizables

Un área en la que veo una transformación significativa sucediendo hoy involucra los datos empresariales.

La mayoría de las organizaciones han pasado años acumulando información en decenas o cientos de sistemas desconectados. La información valiosa existe, pero localizarla y utilizarla de manera efectiva a menudo ha sido difícil. La IA está haciendo que esa información sea más accesible.

Las organizaciones están comenzando a sintetizar datos a través de sistemas, superficies relevantes de contexto de manera más eficiente y ayudar a los empleados a navegar la información que anteriormente estaba dispersa en múltiples aplicaciones y repositorios. La capacidad de operacionalizar el conocimiento empresarial puede resultar más transformadora que muchas de las demostraciones de IA que dominan la discusión pública.

El Próximo Desafío: la IA Trabajando con la IA

La próxima ola de innovación probablemente involucrará múltiples sistemas de IA trabajando juntos.

Las organizaciones ya están experimentando con flujos de trabajo donde los agentes comparten información, coordinan tareas y contribuyen a procesos comerciales más grandes. Esto crea nuevos desafíos en torno a la rendición de cuentas, la confianza, la escalada, la comunicación y la gobernanza.

Los humanos han desarrollado habilidades de colaboración implícitas durante siglos. Sabemos cómo pedir ayuda, comunicar incertidumbre, escalar riesgos y recuperarnos de errores. Construir esos comportamientos en los sistemas de IA es una disciplina mucho más nueva.

Gran parte del próximo capítulo de la IA empresarial involucrará enseñar a los sistemas a operar de manera efectiva uno al lado del otro mientras siguen alineados con los objetivos organizacionales.

Qué Requiere Realmente la IA Empresarial

Después de años de construir y desplegar sistemas de IA, me he convencido de que las organizaciones pasan demasiado tiempo evaluando la inteligencia del modelo y no suficiente tiempo preparando el entorno que lo rodea.

La inteligencia que estos modelos demuestran puede ser notable. Cada año se vuelven más capaces, más útiles y más sofisticados. Sin embargo, los despliegues exitosos todavía dependen de los fundamentos: datos confiables, procesos bien diseñados, gobernanza reflexiva, rendición de cuentas clara y personas que saben cómo integrar nueva tecnología en operaciones existentes.

Las organizaciones que ven el mayor valor de la IA están prestando atención a esos fundamentos. Porque la inteligencia sola no crea transformación.

La transformación sucede cuando la tecnología, los datos, los procesos y las personas trabajan juntos para producir mejores resultados.

Integrar nueva tecnología en operaciones existentes. Las organizaciones que ven el mayor valor de la IA están prestando atención a esos fundamentos. Porque la inteligencia sola no crea transformación. La transformación sucede cuando la tecnología, los datos, los procesos y las personas trabajan juntos para producir mejores resultados.