La adopción exitosa de la IA requiere 3 componentes: la mayoría de las empresas solo tienen 2

En este punto, la IA ya no es una tecnología nueva. Su eficacia comprobada en el análisis de datos, el reconocimiento de patrones y la síntesis de conocimientos puede hacer que los equipos sean más eficientes. Pero a pesar del valor indiscutible de la IA, una nueva investigación indica que solo el 13% de las empresas la han adoptado de manera extensiva. La mayoría de las empresas están jugando con seguridad, solo utilizando la IA para las tareas de menor riesgo. ¿Qué está deteniendo a las marcas para sumergirse y cosechar los beneficios? La brecha entre las aspiraciones y el logro de la IA se reduce a una deficiencia estructural.

El eslabón perdido.

La adopción exitosa y generalizada de la IA requiere tres componentes: infraestructura, aplicación y datos. La capa de infraestructura comprende el modelo de IA, cuyo marco da forma directa al uso y los resultados potenciales.

La capa de aplicación es donde viven las soluciones de software. Aquí es donde se genera la mayor parte del valor de la IA; es donde los usuarios interactúan (quizás indirectamente) con la IA y revisan sus resultados; es el nexo de la toma de decisiones informada por la IA.

Entre estas capas se encuentra la capa de datos, y es este componente con el que la mayoría de las empresas tienen problemas – ya sea que sean conscientes de ello o no. Esta capa, por supuesto, contiene todos los datos; datos que se ajustan a los modelos de IA subyacentes y guían las aplicaciones que se están construyendo. La calidad de la capa de datos informa directamente el resultado en la capa de aplicación. Los datos de alta calidad y abundantes pueden respaldar casos de uso sólidos, mientras que los datos cuestionables o inadecuados no pueden.

Hasta que las organizaciones puedan construir – o asociarse con empresas que construyan – las tres capas de adopción de la IA, no derivarán el valor máximo.

Las implicaciones del desequilibrio.

El resultado de la IA siempre estará condicionado por los datos que se le proporcionan. Si una organización quiere que su IA pueda predecir estructuras moleculares sintéticas, deberá alimentarla con muchos datos de física. Si un minorista quiere utilizar la IA para predecir el comportamiento de los usuarios y mejorar las experiencias digitales, deberá alimentarla con datos de comportamiento.

Si las empresas (o sus socios) no pueden apoyar adecuadamente sus herramientas de IA con suficientes datos, las implicaciones serán de gran alcance. En primer lugar, está la solución de IA en sí. En el mejor de los casos, estará técnicamente operativa, aunque no en el grado deseado. Los resultados pueden ser débiles, poco inspiradores o carentes de información en general. Más allá de este resultado “mejor” se encuentra un resultado más probable: alucinaciones de IA, resultados erróneos y ROI negativo. No solo se habría malgastado la inversión, sino que las organizaciones pueden tener que gastar más en nombre del control de daños.

Al alejarse de las consecuencias inmediatas, podemos ver las implicaciones más amplias de una solución de IA con escasez de datos. En general, las empresas adoptan la IA para que puedan hacer más: obtener más información, servir a más clientes, operar de manera más eficiente. Si las organizaciones invierten tiempo y recursos en una herramienta de IA que no funciona, habrán obstaculizado efectivamente su propio crecimiento, limitando su capacidad para adaptarse al mercado y superar a la competencia. Eso las pone en desventaja y las dejará luchando por recuperar el tiempo, los recursos y – potencialmente – los clientes perdidos.

Pero no se ha perdido la esperanza; hay mucho que las organizaciones pueden hacer para posicionarse bien, corregir (o prevenir) un desequilibrio de IA y avanzar.

Rellenar la brecha con los datos adecuados.

Arriesgándome a simplificar demasiado, lo mejor que los líderes pueden hacer para evitar un desequilibrio de IA es realizar su debida diligencia antes de avanzar con cualquier solución impulsada por IA. Antes de implementar una nueva herramienta, tómese el tiempo para aprender sobre dónde provienen los datos y cómo se generan.

Si su proveedor de soluciones o su ingeniero principal no puede darle una respuesta directa sobre la fuente, la calidad o la cantidad de los datos subyacentes, eso debería encender las alarmas. Obtenga una segunda o tercera opinión de socios de canal e integradores. Recopile información inteligente mediante la participación en redes de discusión de usuarios como Reddit y Discord; vea dónde otros adoptantes encontraron obstáculos o bloqueos. Saber qué señales de alerta buscar antes de tomar cualquier decisión puede ayudar a los líderes a evitar un mundo de dolores de cabeza y expectativas no cumplidas.

Por supuesto, esta previsión no siempre es posible y no ayudará a las organizaciones que se encuentran en medio de una deficiencia de datos de IA. Si no es una opción descartar la solución existente, lo mejor es encontrar una manera de inyectar más datos para que la herramienta tenga más contexto, patrones e información para extraer.

Los datos sintéticos son una opción aquí, pero no son una cura para todo. Puede ser difícil determinar el origen preciso de los datos sintéticos, por lo que no siempre es el mejor camino a seguir. Dicho esto, hay un momento y un lugar para los datos sintéticos. Por ejemplo, sobresalen en la capacitación de modelos de seguridad de IA, especialmente de manera adversaria. Como siempre, realizar investigaciones previas antes de sumergirse de cabeza ayudará a los líderes a tomar las mejores decisiones para su negocio.

Para industrias como la minorista o los restaurantes de servicio rápido (QSR), se prefiere los datos humanos. Las empresas de estas industrias probablemente están utilizando la IA para ayudar a optimizar la experiencia del cliente, por lo que sus herramientas deben estar entrenadas con datos de comportamiento humano. Por ejemplo, si esperan predecir cuánto los usuarios se desplazarán hacia abajo en una página, querrán que la IA base su predicción en el comportamiento humano real en condiciones similares.

En algunos casos, obtener un flujo de datos humanos no se trata tanto de obtener nuevos datos como de activar los datos existentes. Los visitantes del sitio y la aplicación ya están allí: solo se trata de capturar, estructurar y analizar sus datos de comportamiento para que las herramientas de IA puedan utilizarlos.

Al final del día, tener insuficientes datos es mejor que tener malos datos; cualquier cosa que las organizaciones puedan hacer para limpiar sus soluciones ayudará a impulsar mejores resultados.

Dónde comenzar.

Carecer de datos de IA puede suponer un desafío considerable para las organizaciones de cualquier tamaño, y puede ser abrumador solo pensar en los posibles próximos pasos. Pero incluso reconocer el problema es un logro en sí mismo. A partir de ahí, se trata de encontrar los pasos manejables e incrementales que se pueden abordar uno a uno.

La IA tiene un gran potencial – pero solo para aquellos dispuestos a invertir en cada uno de sus componentes clave: infraestructura, aplicación y datos. Sin estas capas, incluso la solución de IA más elegante no funcionará. Las organizaciones que cierren la brecha de datos ahora no solo evitarán quedarse atrás; establecerán el ritmo.