En 2025, los copilotos de GenAI surgirán como la aplicación asesina que transforma los negocios y la gestión de datos

Cada revolución tecnológica tiene un momento definitorio cuando un caso de uso específico impulsa la tecnología hacia una adopción generalizada. Ese momento ha llegado para la inteligencia artificial generativa (GenAI) con la rápida propagación de los copilotos.

La GenAI como tecnología ha dado pasos significativos en los últimos años. Sin embargo, a pesar de todos los titulares y la publicidad, su adopción por parte de las empresas todavía se encuentra en las primeras etapas. La Encuesta de CIO y ejecutivos de tecnología de Gartner 2024 sitúa la adopción en solo el 9% de los encuestados, con el 34% diciendo que planean hacerlo en el próximo año. Una encuesta reciente del Grupo de Estrategia Empresarial sitúa la adopción de GenAI en el 30%. Pero todas las encuestas llegan a la misma conclusión sobre 2025.

Predicción 1. La mayoría de las empresas utilizarán GenAI en producción para fines de 2025

La adopción de GenAI se considera fundamental para mejorar la productividad y la rentabilidad, y se ha convertido en una prioridad para la mayoría de las empresas. Pero significa que las empresas deben superar los desafíos experimentados hasta ahora en los proyectos de GenAI, incluyendo:

• Calidad de datos deficiente: GenAI solo es tan buena como los datos que utiliza, y muchas empresas todavía no confían en sus datos. La calidad de los datos, junto con los datos incompletos o sesgados, han sido problemas que llevan a resultados deficientes.
• Costos de GenAI: entrenar modelos de GenAI como ChatGPT ha sido realizado principalmente por los mejores equipos de GenAI y cuesta millones en potencia de cómputo. Así que, en su lugar, la gente ha estado utilizando una técnica llamada generación aumentada de recuperación (RAG). Pero incluso con RAG, pronto se vuelve costoso acceder y preparar los datos y reunir a los expertos que necesitas para tener éxito.
• Conjuntos de habilidades limitados: muchas de las primeras implementaciones de GenAI requirieron mucho codificado por un pequeño grupo de expertos en GenAI. Aunque este grupo está creciendo, todavía hay una escasez real.
• Alucinaciones: GenAI no es perfecta. Puede alucinar y dar respuestas incorrectas cuando cree que está en lo correcto. Necesitas una estrategia para prevenir que las respuestas incorrectas impacten tu negocio.
• Seguridad de datos: GenAI ha expuesto los datos a las personas equivocadas porque se utilizó para el entrenamiento, afinamiento o RAG. Necesitas implementar medidas de seguridad para proteger contra estas fugas.

Afortunadamente, la industria del software ha estado abordando estos desafíos durante los últimos años. 2025 parece ser el año en que varios de estos desafíos comienzan a resolverse, y GenAI se vuelve mainstream.

Predicción 2. Los copilotos RAG modulares se convertirán en el uso más común de GenAI

El uso más común de GenAI es crear asistentes, o copilotos, que ayuden a las personas a encontrar información más rápido. Los copilotos suelen estar construidos utilizando tuberías RAG. RAG es el camino. Es la forma más común de utilizar GenAI. Debido a que los grandes modelos de lenguaje (LLM) son modelos de propósito general que no tienen todos o incluso los datos más recientes, necesitas aumentar las consultas, también conocidas como prompts, para obtener una respuesta más precisa.
Los copilotos ayudan a los trabajadores del conocimiento a ser más productivos, abordar preguntas previamente incontestables y brindar orientación experta mientras a veces también ejecutan tareas rutinarias. Quizás el caso de uso de copiloto más exitoso hasta la fecha sea cómo ayudan a los desarrolladores de software a codificar o modernizar el código legado.

Pero se espera que los copilotos tengan un impacto mayor cuando se utilicen fuera de TI. Ejemplos incluyen:

• En el servicio al cliente, los copilotos pueden recibir una consulta de soporte y escalar a un ser humano para la intervención o proporcionar una resolución para consultas simples como restablecimiento de contraseña o acceso a la cuenta, lo que resulta en una mayor satisfacción del cliente.
• En la fabricación, los copilotos pueden ayudar a los técnicos a diagnosticar y recomendar acciones o reparaciones específicas para maquinaria compleja, reduciendo el tiempo de inactividad.
• En la atención médica, los médicos pueden utilizar copilotos para acceder al historial del paciente y a la investigación relevante, y ayudar a guiar el diagnóstico y la atención clínica, lo que mejora la eficiencia y los resultados clínicos.

Las tuberías RAG han funcionado principalmente de la misma manera. El primer paso es cargar una base de conocimientos en una base de datos vectorial. Cada vez que una persona hace una pregunta, se invoca una tubería RAG de GenAI. Reingeniera la pregunta en un prompt, consulta la base de datos vectorial codificando el prompt para encontrar la información más relevante, invoca un LLM con el prompt utilizando la información recuperada como contexto, evalúa y formatea los resultados y los muestra al usuario.

Pero resulta que no puedes apoyar a todos los copilotos de la misma manera con una sola tubería RAG. Entonces, RAG ha evolucionado hacia una arquitectura más modular llamada RAG modular, donde puedes utilizar diferentes módulos para cada uno de los muchos pasos involucrados:

• Indexación, incluyendo división de datos y organización
• Pre-recuperación, incluyendo ingeniería y optimización de la consulta (prompt)
• Recuperación con afinamiento del recuperador y otras técnicas
• Reclasificación y selección posteriores a la recuperación
• Generación con afinamiento del generador, utilizando y comparando varios LLM, y verificación
• Orquestación que gestiona este proceso y lo hace iterativo para ayudar a obtener los mejores resultados

Necesitarás implementar una arquitectura RAG modular para apoyar a varios copilotos.

Predicción 3. Las herramientas de GenAI sin código/bajo código se convertirán en la forma

Hasta ahora, puedes darte cuenta de que GenAI RAG es muy complejo y cambia rápidamente. No solo es que las mejores prácticas emergentes están surgiendo constantemente. Toda la tecnología involucrada en las tuberías de GenAI está cambiando tan rápido que terminarás necesitando reemplazar algunas de ellas o apoyar varias. Además, GenAI no se trata solo de RAG modular. La afinación de recuperación aumentada (RAFT) y el entrenamiento de modelos completos también se están volviendo rentables. Tu arquitectura necesitará apoyar todos estos cambios y ocultar la complejidad a tus ingenieros.
Afortunadamente, las mejores herramientas de GenAI sin código/bajo código brindan esta arquitectura. Están agregando constantemente soporte para las principales fuentes de datos, bases de datos vectoriales y LLM, y haciendo posible construir tuberías RAG modulares o alimentar datos a los LLM para afinar o entrenar. Las empresas están utilizando con éxito estas herramientas para implementar copilotos utilizando sus recursos internos.

Nexla no solo utiliza GenAI para simplificar la integración. Incluye una arquitectura de tubería RAG modular con división de datos avanzada, ingeniería de consultas, reclasificación y selección, soporte para varios LLM con clasificación y selección de resultados, orquestación y más, todo configurado sin codificar.

Predicción 4. La línea entre los copilotos y los agentes se desdibujará

Los copilotos de GenAI, como los chatbots, son agentes que apoyan a las personas. Al final, las personas toman la decisión sobre qué hacer con los resultados generados. Pero los agentes de GenAI pueden automatizar completamente las respuestas sin involucrar a las personas. Estos se conocen comúnmente como agentes o inteligencia artificial agente.

Algunas personas los ven como dos enfoques separados. Pero la realidad es más complicada. Los copilotos ya están empezando a automatizar algunas tareas básicas, permitiendo a los usuarios confirmar acciones y automatizar los pasos necesarios para completarlas.

Espera que los copilotos evolucionen con el tiempo en una combinación de copilotos y agentes. Al igual que las aplicaciones ayudan a reingenierar y optimizar los procesos empresariales, los asistentes podrían y deberían comenzar a utilizarse para automatizar los pasos intermedios de las tareas que apoyan. Los agentes de GenAI basados también deberían incluir a las personas para manejar excepciones o aprobar un plan generado utilizando un LLM.

Predicción 5. GenAI impulsará la adopción de telas de datos, productos de datos y estándares de datos abiertos

Se espera que GenAI sea el principal impulsor de cambio en TI en los próximos años, ya que TI necesitará adaptarse para permitir que las empresas se beneficien completamente de GenAI.

Como parte de los Ciclos de Hype de Gartner para la gestión de datos de 2024, Gartner ha identificado 3, y solo 3 tecnologías como transformacionales para la gestión de datos y para las organizaciones que dependen de los datos: Telas de datos, Productos de datos y Formatos de tabla abiertos. Las 3 ayudan a hacer que los datos sean mucho más accesibles para su uso con GenAI, ya que facilitan que los datos sean utilizados por estas nuevas herramientas de GenAI.

Nexla implementó una arquitectura de producto de datos basada en una tela de datos por esta razón. La tela de datos proporciona una capa unificada para gestionar todos los datos de la misma manera, independientemente de las diferencias en formatos, velocidades o protocolos de acceso. Luego se crean productos de datos para satisfacer necesidades de datos específicas, como para RAG.

Por ejemplo, una gran empresa de servicios financieros está implementando GenAI para mejorar la gestión de riesgos. Están utilizando Nexla para crear una tela de datos unificada. Nexla detecta automáticamente el esquema y luego genera conectores y productos de datos. La empresa define productos de datos para métricas de riesgo específicas que agregan, limpian y transforman los datos en el formato correcto como entradas que implementan agentes RAG para informes regulatorios dinámicos. Nexla proporciona controles de gobernanza de datos, incluyendo linaje de datos y controles de acceso, para garantizar el cumplimiento regulatorio. Nuestra plataforma de integración para análisis, operaciones, B2B y GenAI se implementa en una arquitectura de tela de datos donde GenAI se utiliza para crear conectores, productos de datos y flujos de trabajo reutilizables. El soporte para estándares de datos abiertos como Apache Iceberg facilita el acceso a más y más datos.

Cómo pilotar tu camino hacia la inteligencia artificial agente

Entonces, ¿cómo deberías prepararte para hacer que GenAI se vuelva mainstream en tu empresa según estas predicciones?
Primero, si no lo has hecho, comienza con tu primer asistente RAG de GenAI para tus clientes o empleados. Identifica un caso de uso importante y relativamente sencillo donde ya tengas la base de conocimientos correcta para tener éxito.

Segundo, asegúrate de tener un pequeño equipo de expertos en GenAI que puedan ayudar a poner en lugar la arquitectura RAG modular correcta, con las herramientas de integración correctas para apoyar tus primeros proyectos. No tengas miedo de evaluar a nuevos proveedores con herramientas sin código/bajo código.

Tercero, comienza a identificar esas prácticas de gestión de datos que necesitarás para tener éxito. Esto no solo implica una tela de datos y conceptos como productos de datos. También necesitas gobernar tus datos para la IA.

El momento es ahora. 2025 es el año en que la mayoría tendrá éxito. No te quedes atrás.