Resolver el Cómo y el Cuándo: Infundir Estrategia Empresarial en la Adopción de Inteligencia Artificial

Hemos alcanzado un punto de inflexión con la inteligencia artificial (IA) donde las discusiones en la sala de juntas han pasado de debatir la eficacia a acelerar la adopción. Es un momento emocionante, especialmente considerando que el ritmo de cambio nunca será tan lento como ahora. Según BCG, a pesar de la incertidumbre económica global, la innovación se convirtió en una de las principales prioridades corporativas en 2023, con el 79% de las empresas clasificándola entre sus tres principales objetivos.

Pero la innovación por la innovación en sí misma no es una estrategia empresarial sólida, y las organizaciones que se dejan llevar por el revuelo de la IA corren el riesgo de invertir en la histeria en lugar de soluciones que creen valor a largo plazo. Entender la diferencia requiere una consideración cuidadosa de las capacidades actuales y la paciencia para priorizar el crecimiento sostenible sobre las tendencias a corto plazo.

La Zona de Goldilocks

La historia empresarial está llena de ejemplos de empresas cuyas decisiones estratégicas en momentos clave han sido consecuentes para su existencia. Por ejemplo, Amazon sobrevivió a la burbuja de las punto com al reconocer la importancia de ajustar su estrategia contable y aumentar las reservas mientras que otras empresas estaban quemando dinero como si no hubiera mañana. El punto es que las decisiones empresariales sólidas son más críticas que nunca durante los momentos de entusiasmo masivo, y planificar para mañana requiere una capacidad aguda para pensar en todos los escenarios posibles.

En general, hay una sensación general de miedo a perderse (FOMO) que ha permeado los equipos de liderazgo, complicada aún más por la realidad de que no hacer nada (es decir, sucumbir a la “parálisis por análisis”) también es una amenaza real. (Solo pregúntele a Kodak.) Aquí hay 3 consideraciones para las empresas que buscan esa “Zona de Goldilocks” de la IA: no invertir demasiado rápido ni demasiado lento, sino encontrar el punto dulce del innovación sostenible.

1. Enfócate en el Crecimiento de Datos Primero

Al igual que cualquier máquina, es importante entender su funcionamiento interno para derivar de dónde proviene el valor. Es decir, la IA no es un producto completamente formado, sino que sus grandes modelos de lenguaje (LLM) dependen de vastas cantidades de puntos de datos diversos para aprender patrones, contexto y matices lingüísticos. El tamaño y la complejidad de los LLM requieren datos de entrenamiento extensos para operar de manera efectiva en varios dominios y tareas. La calidad y la cantidad de estos datos tendrán un gran impacto en el rendimiento de los LLM y, por extensión, en la suite de herramientas de IA de una empresa.

Crear ecosistemas de datos más robustos es, por lo tanto, una sabia inversión inicial para cualquier empresa que planea una transformación de IA, y estos datos servirán como la base para los LLM a medida que crecen y evolucionan. En esta evolución, los datos de alta calidad se vuelven aún más críticos. Aunque los estudios han encontrado que los LLM pueden ser competentes con datos mínimos, los expertos ahora dicen que “el impacto de la calidad y la diversidad de los datos en la alineación y otros caminos de entrenamiento de LLM (pre-entrenamiento, ajuste fino, direccionalidad, etc.) es absolutamente masivo”.

2. Identifica un Caso de Uso Empresarial

Aunque la IA ciertamente tiene la capacidad para aplicaciones externas amplias, la mayoría de las empresas se centran en utilizar la tecnología para optimizar sus procesos internos. “Optimizar” es la palabra clave aquí, lo que significa que las empresas no deben esperar simplemente conectar y jugar software de IA para mejorar mágicamente la producción. Más bien, algunos de los casos de uso de IA más exitosos involucran analizar datos para revelar información valiosa sobre el comportamiento del cliente, las tendencias del mercado y los riesgos potenciales. También se ha demostrado que es eficaz para simplificar las actividades internas, incluyendo cosas como la automatización de tareas manuales para asignar el tiempo de los empleados a actividades de nivel superior.

En resumen, en lugar de perder el tiempo tratando de averiguar qué modelos de IA utilizar, las organizaciones necesitan centrarse en problemas específicos que necesitan que su IA resuelva. (Es decir, comience con la aguja que desea mover, configure el KPI que desea influir y luego trabaje hacia atrás para determinar qué herramientas de IA lograrán esos objetivos.) Según la Encuesta de IA Ejecutiva Global de MIT, el 90% de los que utilizan IA para crear nuevos KPI afirman que ven mejorar sus KPI. “Estos KPI informados por IA ofrecen beneficios empresariales y demuestran nuevas capacidades: a menudo conducen a una mayor eficiencia y beneficio financiero y son más detallados, sensibles al tiempo y alineados con los objetivos de la organización”.

3. Construye Herramientas de IA Personalizadas Utilizando LLM de Código Abierto

¿Construir o comprar? Esa es la pregunta. Construir una solución de IA personalizada puede parecer abrumador, y muchas empresas optan por comprar una licencia de un proveedor externo con un LLM de propiedad para evitar seguir ese camino. Sin embargo, la licencia puede restringir cómo se puede utilizar el LLM, y las tarifas de licencia pueden volverse muy costosas con el tiempo. Alternativamente, los LLM de código abierto son gratuitos y la arquitectura subyacente está disponible para que los desarrolladores accedan, construyan y modifiquen según las necesidades específicas de la empresa.

Este ecosistema de modelos de código abierto ha ganado popularidad a medida que las empresas se esfuerzan por mantener la información confidencial en su red y retener más control sobre sus datos. Los LLM de código abierto brindan a las empresas esta transparencia y flexibilidad, junto con los beneficios adicionales de reducir los problemas de latencia y aumentar el rendimiento. IBM y la NASA se asociaron recientemente para desarrollar un LLM de código abierto entrenado en datos geoespaciales para ayudar a los científicos a luchar contra el cambio climático, como parte de la Iniciativa de Ciencia de Código Abierto de la NASA para construir una comunidad científica más accesible, inclusiva y colaborativa.

Al igual que con cualquier tecnología de código abierto, existen riesgos asociados con los LLM de código abierto, incluyendo posibles fugas de seguridad/violaciones, alucinaciones/sesgos basados en información inexacta o defectuosa, y actores maliciosos que manipulan intencionalmente los datos. Pero los modelos de código abierto están volviéndose más inteligentes y seguros con el tiempo, lo que lleva a algunos expertos a sentir que los LLM de código abierto pronto alcanzarán el nivel de los mejores LLM de código cerrado, justificando la inversión en la adopción temprana y el tiempo dedicado a capacitar a los equipos.

La Adopción de IA Será Múltiples Carreras Cortas en una Maratón

Según cifras recientes, hay alrededor de 15,000 empresas de IA en los Estados Unidos, más del doble que en 2017. En todo el mundo, esas cifras aumentan casi cuatro veces. Con tantos proveedores y nuevas empresas emergentes que promocionan sus servicios, no es de extrañar que las empresas luchen por decidir dónde invertir su tiempo y dinero. Pero al evaluar cuidadosamente sus necesidades y los riesgos/recompensas presentados por la innovación, los líderes encontrarán la mezcla adecuada de IA para impulsar a sus empresas hacia un futuro de crecimiento sostenible.