Empresas de todos los tamaños y sectores están incursionando en la inteligencia artificial generativa, buscando aprovechar sus capacidades para mejorar la productividad, optimizar la experiencia de usuario y obtener valiosas perspectivas de negocio.
Los trabajadores también están explorando lo que la inteligencia artificial generativa puede hacer por ellos. Según The Conference Board, más de la mitad de los trabajadores estadounidenses utilizan chatbots de IA para tareas como la redacción de informes, la búsqueda de ideas y la investigación de antecedentes, pero cuando se trata de convertir estas experiencias y experimentos en programas que ofrezcan resultados empresariales efectivos a escala, las empresas tienen mucho trabajo por hacer.
En otras palabras, mientras que la tasa de adopción está clara, la tasa de ejecución de las iniciativas de inteligencia artificial generativa se queda significativamente atrás. ¿Qué pueden hacer las empresas para acelerar su retorno de inversión en proyectos de IA generativa? Según los expertos que hemos entrevistado, hay que empezar por identificar y eliminar los principales obstáculos.
Casos de uso indefinidos
Uno de los principales escollos en la adopción satisfactoria de inteligencia artificial generativa está en la identificación de los mejores casos de uso específicos para aplicarles inteligencia artificial generativa. Hasta ahora, la aplicación más común en la empresa o lugar de trabajo se enfoca en ayudar a automatizar tareas en el servicio de atención al cliente.
Muchas empresas no han tomado las medidas necesarias para preparar sus datos para la IA; subir sus datos a modelos disponibles públicamente como ChatGPT puede ser arriesgado; y pocas empresas tienen los recursos internos y personal de ciencia de datos para crear sus propios modelos de inteligencia artificial generativa.
Como en casi todos los casos en los que una nueva tecnología popular llega al lugar de trabajo, todo empieza a nivel individual. Al igual que los empleados empezaron a utilizar teléfonos inteligentes en el trabajo mucho antes de que las empresas redactaran políticas sobre dispositivos móviles, lo mismo ocurre con la inteligencia artificial generativa. Los trabajadores están abriendo camino recurriendo a herramientas de uso público como Google Bard para automatizar tareas manuales y mejorar su productividad.
Según Namanh Hoang, consultor de marca y marketing de Los Ángeles, «la IA generativa es potente cuando se orienta de forma adecuada, pero no está preparada para que se le confíe una autonomía total sobre los contenidos y las comunicaciones empresariales«.
Mala calidad de los datos
En un escenario ideal, las empresas utilizarían datos propios para ajustar un modelo lingüístico de gran tamaño (LLM) para realizar tareas específicas a las necesidades de una empresa, ya sea un banco que evalúa solicitudes de préstamo o un fabricante mundial que predice interrupciones en la cadena de suministro.
Una empresa también podría crear y entrenar un LLM propio a partir de sus propios datos específicos de dominio, pero ese proceso es caro, puede llevar años y requiere expertos y científicos de datos internos. Asociarse con un gran proveedor de LLM es otra opción para conseguir lo mismo. En cualquier caso, la mayoría de las organizaciones no están ni cerca de lograrlo, porque sus propios datos no están listos para la IA.
Por eso, una estrategia de datos integral es un requisito previo esencial para extraer valor de la inteligencia artificial generativa, según 9 de cada 10 ejecutivos de datos encuestados por el MIT. Sin embargo, menos de la mitad de esos ejecutivos afirman haber hecho los deberes necesarios para preparar sus datos para la ingesta en la IA generativa. Entre los pasos básicos se incluyen:
• Romper los silos de datos.
• Integrar o recopilar datos para entrenar la IA.
• Garantizar que los datos cumplen las normas básicas de calidad.
Peggy Tsai, directora de datos de BigID, una plataforma de gobernanza de datos y gestión del ciclo de vida, afirma que muchas empresas que desean poner en marcha proyectos de IA generativa acaban de darse cuenta de que carecen de los datos básicos para implantarlos.
«Necesitan conjuntos de datos interfuncionales, pero sus datos aún se encuentran aislados«, afirma. «Así que pasarán la primera parte de 2024 construyendo sus bases de datos y averiguando cómo serán esos conjuntos de datos. Ahora mismo, la mayoría de las empresas carecen de la calidad de datos, la privacidad, la seguridad y la gobernanza necesarias para hacer una IA fiable«.
Es posible que algunas empresas ni siquiera sepan qué contienen los datos no estructurados que introducen en los LLM, añade Tsai. Los datos pueden contener números de la Seguridad Social u otra información personal confidencial, que podría infringir normativas como el Reglamento General de Protección de Datos (RGPD) de la Unión Europea.
«Tienes que saber realmente lo que hay dentro de tus datos antes de tomar la decisión de incluirlos en tus algoritmos y modelos«, añade. «Las prácticas estándar de transparencia y responsabilidad con la IA son en su mayor parte todavía un trabajo en proceso. Hay muchas cosas que aún no hemos descubierto«.
Aversión al riesgo
En opinión de Tsai, las organizaciones que se están quedando rezagadas en la inteligencia artificial generativa deben cambiar de mentalidad y adoptar la experimentación.
«Los líderes que abordan la inteligencia artificial generativa con una mentalidad de experimentación e innovación son los que obtienen más éxito«, afirma.
(Dan Tynanel, equipo Innovación de Freshworks)
