A pesar del entusiasmo, muchas empresas avanzan con cautela en cuanto a la inteligencia artificial generativa.

Los vendedores quieren hacerte creer que estamos en medio de una revolución de la inteligencia artificial, una que está cambiando la naturaleza misma de cómo trabajamos. Sin embargo, estudios recientes sugieren que la realidad es mucho más compleja. Las empresas muestran un gran interés en la inteligencia artificial generativa, ya que los proveedores promueven sus posibles beneficios, pero convertir ese deseo de una prueba de concepto en un producto funcional está resultando ser mucho más desafiante: se están enfrentando a la complejidad técnica de la implementación, ya sea debido a deudas técnicas de una antigua infraestructura tecnológica o simplemente por la falta de personas con habilidades adecuadas.

De hecho, un estudio reciente de Gartner encontró que las dos principales barreras para implementar soluciones de inteligencia artificial eran encontrar formas de estimar y demostrar el valor en un 49% y la falta de talento en un 42%. Estos dos elementos podrían resultar ser obstáculos clave para las empresas. Considere que un estudio de LucidWorks, una empresa de tecnología de búsqueda empresarial, descubrió que solo 1 de cada 4 de los encuestados informó haber implementado con éxito un proyecto de inteligencia artificial generativa.

Aamer Baig, socio principal de McKinsey and Company, hablando en el MIT Sloan CIO Symposium en mayo, dijo que su empresa también descubrió en una encuesta reciente que solo el 10% de las empresas están implementando proyectos de inteligencia artificial generativa a gran escala. También informó que solo el 15% estaba viendo algún impacto positivo en las ganancias. Esto sugiere que la exageración podría estar muy por delante de la realidad que la mayoría de las empresas están experimentando.

¿Cuál es el problema? Baig ve la complejidad como el factor principal que frena a las empresas, con incluso un proyecto simple que requiere 20-30 elementos tecnológicos, siendo el LLM correcto solo el punto de partida. También necesitan cosas como controles adecuados de datos y seguridad, y es posible que los empleados tengan que aprender nuevas capacidades como ingeniería de prompts y cómo implementar controles de propiedad intelectual, entre otras cosas. Las antiguas infraestructuras tecnológicas también pueden frenar a las empresas, según él. “En nuestra encuesta, uno de los principales obstáculos citados para lograr la inteligencia artificial generativa a gran escala fue en realidad el uso de demasiadas plataformas tecnológicas,” dijo Baig. “No era el caso de uso, no era la disponibilidad de datos, no era el camino hacia el valor; en realidad eran las plataformas tecnológicas.”

Mike Mason, director de inteligencia artificial en la firma de consultoría Thoughtworks, dice que su empresa dedica mucho tiempo a preparar a las empresas para la inteligencia artificial, y su infraestructura tecnológica actual es parte fundamental de eso. “Entonces la pregunta es, ¿cuánta deuda técnica tienes, cuánto déficit? Y la respuesta siempre va a ser: Depende de la organización, pero creo que las organizaciones sienten cada vez más el dolor de esto,” dijo Mason a TechCrunch.

Todo comienza con tener buenos datos. Una gran parte de esa deuda de preparación está relacionada con los datos, con un 39% de los encuestados en la encuesta de Gartner expresando preocupaciones sobre la falta de datos como una de las principales barreras para una implementación exitosa de inteligencia artificial. “Los datos representan un desafío enorme y abrumador para muchas organizaciones,” dijo Baig. Él recomienda centrarse en un conjunto limitado de datos con miras a la reutilización. “Una lección simple que hemos aprendido es enfocarnos en los datos que nos ayuden con múltiples casos de uso, y eso suele terminar siendo tres o cuatro dominios en la mayoría de las empresas con los que puedes comenzar y aplicarlo a tus desafíos comerciales prioritarios con valores comerciales y entregar algo que realmente llegue a la producción y a gran escala,” dijo él.

Mason dice que una gran parte de poder ejecutar la inteligencia artificial con éxito está relacionada con la preparación de los datos, pero eso es solo una parte de ello. “Las organizaciones se dan cuenta rápidamente de que en la mayoría de los casos necesitan hacer un trabajo de preparación para la inteligencia artificial, construcción de la plataforma, limpieza de datos, y todo ese tipo de cosas,” dijo. “Pero no es necesario adoptar un enfoque de todo o nada, no es necesario pasar dos años antes de obtener algún valor.”

Cuando se trata de los datos, las empresas también deben respetar de dónde provienen estos datos y si tienen permiso para usarlos. Akira Bell, CIO de Mathematica, una consultora que trabaja con empresas y gobiernos para recopilar y analizar datos relacionados con diversas iniciativas de investigación, dice que su empresa tiene que avanzar con precaución cuando se trata de poner esos datos a trabajar en inteligencia artificial generativa. “Al mirar la inteligencia artificial generativa, ciertamente habrá posibilidades para nosotros, y al observar a través del ecosistema de datos que usamos, pero tenemos que hacerlo con cautela,” dijo Bell a TechCrunch. Parcialmente esto se debe a que tienen muchos datos privados con estrictos acuerdos de uso de datos, y parcialmente se debe a que a veces tratan con poblaciones vulnerables y tienen que ser conscientes de eso.

“Llegué a una empresa que realmente se toma en serio ser un administrador de datos de confianza, y en mi papel como CIO, tengo que estar muy arraigada en eso, tanto desde una perspectiva de ciberseguridad como en cómo tratamos con nuestros clientes y sus datos, por lo que sé lo importante que es la gobernanza,” dijo. Ella dice que en este momento es difícil no emocionarse por las posibilidades que la inteligencia artificial generativa aporta; la tecnología podría ofrecer formas considerablemente mejores para que su organización y sus clientes comprendan los datos que están recopilando. Pero también es su trabajo avanzar con precaución sin entorpecer el progreso real, un acto de equilibrio desafiante.

Encontrar el valor Al igual que cuando la nube estaba surgiendo hace una década y media, los CIOs son naturalmente cautelosos. Ven el potencial que aporta la inteligencia artificial generativa, pero también necesitan ocuparse de aspectos básicos como la gobernanza y la seguridad. También necesitan ver un retorno real de la inversión, lo cual a veces es difícil de medir con esta tecnología. En un artículo de TechCrunch de enero sobre modelos de precios de inteligencia artificial, la CIO de Juniper, Sharon Mandell, dijo que estaba resultando desafiante medir el retorno de la inversión en inteligencia artificial generativa. “En 2024, vamos a estar probando la exageración de la IA generativa, porque si esas herramientas pueden producir los tipos de beneficios que dicen, entonces el retorno de la inversión será alto y puede ayudarnos a eliminar otras cosas,” dijo. Por lo tanto, ella y otros CIOs están llevando a cabo pilotos, avanzando con precaución y tratando de encontrar formas de medir si realmente hay un aumento de productividad que justifique el costo adicional.

Baig dice que es importante tener un enfoque centralizado de la IA en toda la empresa y evitar lo que él llama “demasiadas iniciativas de proyectos aislados,” donde pequeños grupos trabajan independientemente en varios proyectos. “Necesitas el andamiaje de la empresa para asegurarte de que los equipos de productos y plataformas estén organizados, enfocados y trabajando a un ritmo. Y, por supuesto, necesita la visibilidad de la alta dirección,” dijo. Nada de eso garantiza que una iniciativa de IA vaya a ser exitosa o que las empresas encuentren todas las respuestas de inmediato. Tanto Mason como Baig dijeron que es importante para los equipos evitar tratar de hacer demasiado y ambos enfatizan la reutilización de lo que funciona. “La reutilización se traduce directamente en la velocidad de entrega, manteniendo a tus negocios felices y entregando impacto,” dijo Baig.

Sin embargo, las empresas que ejecutan proyectos de inteligencia artificial generativa no deberían paralizarse por los desafíos relacionados con la gobernanza, la seguridad y la tecnología, pero tampoco deberían dejarse deslumbrar por la exageración: habrá obstáculos de sobra para casi todas las organizaciones. El mejor enfoque podría ser poner en marcha algo que funcione y muestre valor, y construir a partir de ahí. Y recuerda que, a pesar de la exageración, muchas otras empresas también están luchando.