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, nuevas investigaciones indican que solo el 13% de las empresas 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 de la IA y el logro 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 directamente 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 núcleo 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 la salida en la capa de aplicación. Datos de alta calidad y abundantes pueden respaldar casos de uso robustos, 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 obtendrán el valor máximo.

Las implicaciones del desequilibrio.

La salida de la IA siempre estará condicionada por los datos que se le proporcionen. Si una organización quiere que su IA pueda predecir estructuras moleculares sintéticas, necesitará alimentarla con mucha información de física. Si un minorista quiere utilizar la IA para predecir el comportamiento de los usuarios y mejorar las experiencias digitales, necesitará 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 carecer de información en general. Más allá de este resultado “óptimo” se encuentra un resultado más probable: alucinaciones de la IA, resultados erróneos y retorno de la inversión negativo. No solo se habría desperdiciado la inversión, sino que las organizaciones pueden tener que gastar más en nombre del control de daños.

Al alejarnos 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 poder 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 para recuperar el tiempo, los recursos y – posiblemente – 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 la IA y seguir adelante.

Rellenar la brecha con los datos adecuados.

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

Si su proveedor de soluciones o su ingeniero principal no puede darle una respuesta directa sobre el origen, 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 de inteligencia 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 incumplidas.

Por supuesto, esta previsión no siempre es posible y no ayudará a las organizaciones que se encuentran en medio de una escasez de datos de la IA. Si no es posible desechar la solución existente, lo mejor es encontrar una forma 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 exacto de los datos sintéticos, por lo que no siempre es el 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 la 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 el comercio 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 desea predecir cuánto los usuarios desplazarán hacia abajo en una página, querrá que la IA base su predicción en el comportamiento humano real en condiciones similares.

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

Por dónde empezar.

Carecer de datos de la IA puede suponer un desafío considerable para las organizaciones de cualquier tamaño, y puede ser abrumador solo pensar en los 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 por uno.

La IA holds una gran promesa – 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 fallará. Las organizaciones que cierren la brecha de datos ahora no solo evitarán quedarse atrás; estarán marcando el ritmo.