Los proveedores quieren que creamos que estamos en medio de una revolución de la IA, una que está cambiando la naturaleza misma de cómo trabajamos. Pero la verdad, según varios estudios recientes, sugiere que es mucho más matizada que eso.
Las empresas están extremadamente interesadas en la IA generativa a medida que los proveedores promocionan posibles beneficios, pero convertir ese deseo de una prueba de concepto en un producto en funcionamiento está resultando mucho más desafiante: Se están enfrentando a la complejidad técnica de la implementación, ya sea debido a la deuda técnica de una pila tecnológica más antigua o simplemente por falta de personas con habilidades apropiadas.
De hecho, un estudio reciente de Gartner encontró que las dos principales barreras para implementar soluciones de IA eran encontrar formas de estimar y demostrar 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, encontró que solo 1 de cada 4 encuestados informó haber implementado con éxito un proyecto de IA 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 IA generativa a gran escala. También informó que solo el 15% estaba viendo algún impacto positivo en las ganancias. Eso sugiere que la exageración podría estar muy por delante de la realidad que están experimentando la mayoría de las empresas.
¿Cuál es la demora?
Baig ve la complejidad como el factor principal que ralentiza a las empresas, con incluso un proyecto simple que requiere 20-30 elementos tecnológicos, siendo el LLM adecuado solo el punto de partida. También necesitan cosas como controles de datos y seguridad adecuados y los empleados pueden tener que aprender nuevas capacidades como la ingeniería de indicaciones y cómo implementar controles de propiedad intelectual, entre otras cosas.
Las pilas tecnológicas antiguas también pueden frenar a las empresas, dice. "En nuestra encuesta, uno de los principales obstáculos citados para lograr la IA generativa a gran escala fue en realidad demasiadas plataformas tecnológicas," Baig dijo. "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 IA de la consultora Thoughtworks, dice que su empresa dedica mucho tiempo a preparar a las empresas para la IA, y su configuración tecnológica actual es una parte importante de eso. "Entonces, la pregunta es, ¿cuánta deuda técnica tienes, cuánto de déficit? Y la respuesta siempre va a ser: Depende de la organización, pero creo que las organizaciones están sintiendo cada vez más el dolor de esto," dijo Mason a TechCrunch.
Comienza con buenos datos
Una gran parte de ese déficit de preparación es la pieza de 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 IA. "Los datos son un desafío enorme y abrumador para muchas, muchas organizaciones," dijo Baig. Recomienda centrarse en un conjunto limitado de datos con la mirada puesta en la reutilización.
"Una lección simple que hemos aprendido es enfocarnos realmente en los datos que te ayudan con múltiples casos de uso, y eso suele terminar siendo tres o cuatro dominios en la mayoría de las empresas con los que realmente puedes comenzar y aplicarlos a tus desafíos empresariales de alta prioridad con valores empresariales y entregar algo que realmente llegue a la producción y escala," dijo.
Mason dice que una gran parte de poder ejecutar la IA con éxito está relacionada con la preparación de datos, pero eso es solo una parte. "Las organizaciones rápidamente se dan cuenta de que en la mayoría de los casos necesitan hacer algún tipo de trabajo de preparación de IA, construcción de plataformas, limpieza de datos, y todas esas cosas," dijo. "Pero no tienes que adoptar un enfoque de todo o nada, no tienes que pasar dos años antes de poder obtener algún valor."
Cuando se trata de datos, las empresas también tienen que respetar de dónde provienen los datos y si tienen permiso para usarlos. Akira Bell, CIO en Mathematica, una consultora que trabaja con empresas y gobiernos para recopilar y analizar datos relacionados con varias iniciativas de investigación, dice que su empresa tiene que avanzar con cautela cuando se trata de poner esos datos a trabajar en la IA generativa.
"A medida que consideramos la IA generativa, ciertamente habrá posibilidades para nosotros y, al observar el ecosistema de datos que usamos, pero tenemos que hacerlo con cautela," dijo Bell a TechCrunch. En parte, esto se debe a que tienen muchos datos privados con estrictos acuerdos de uso de datos, y en parte se debe a que a veces están tratando con poblaciones vulnerables y deben ser conscientes de eso.
"Llegué a una empresa que realmente se toma en serio ser un administrador de datos confiable, y en mi papel como CIO, debo estar muy fundamentada 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 sentirse emocionado por las posibilidades que ofrece la IA generativa; la tecnología podría proporcionar formas significativamente mejores para que su organización y sus clientes comprendan los datos que están recopilando. Pero también es su responsabilidad avanzar con precaución sin obstaculizar 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 CIO son naturalmente cautelosos. Ven el potencial que trae la IA generativa, pero también necesitan ocuparse de aspectos básicos como la gobernanza y la seguridad. También necesitan ver un ROI real, que a veces es difícil de medir con esta tecnología.
En un artículo de TechCrunch de enero sobre modelos de precios de IA, la CIO de Juniper Sharon Mandell dijo que estaba resultando desafiante medir el retorno de inversión en la IA generativa.
"En 2024, vamos a estar probando la exageración de genAI, porque si esas herramientas pueden producir los tipos de beneficios que dicen, entonces el ROI en ellas es alto y puede ayudarnos a eliminar otras cosas," dijo. Por lo tanto, ella y otros CIO están ejecutando pilotos, avanzando con cautela y tratando de encontrar formas de medir si realmente hay un aumento de productividad que justifique el aumento del costo.
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 laboratorios secretos," 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.
Ninguna de estas cosas garantiza que una iniciativa de IA vaya a tener éxito o que las empresas encuentren todas las respuestas de inmediato. Tanto Mason como Baig dijeron que es importante que los equipos eviten intentar hacer demasiado, y ambos enfatizan la reutilización de lo que funciona. "La reutilización se traduce directamente en velocidad de entrega, manteniendo a tus empresas felices y generando impacto," dijo Baig.
Sin embargo, las empresas que ejecutan proyectos de IA generativa no deberían quedar paralizadas por los desafíos relacionados con la gobernanza, la seguridad y la tecnología. Pero tampoco deberían cegarse 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.
