Expertos en tecnología revelan los rasgos de los innovadores en IA, disipan percepciones erróneas comunes y comparten estrategias de creación de valor durante el evento SymphonyAI
Las audaces afirmaciones sobre la productividad y las mejoras de los procesos posibles con la IA empresarial pueden dificultar la separación entre lo que es real ahora mismo y lo que podría ser posible mañana. Aunque la IA ha sido objeto de un gran despliegue publicitario, el debate ha pasado de si crea valor a cuánto, con qué rapidez y cuáles son los pasos correctos que las empresas deberían dar hoy.
Para aportar claridad a estas cuestiones, SymphonyAI reunió a cuatro de las mentes más agudas del mundo de la tecnología en una mesa redonda virtual sobre el tema "Cortar por lo sano para desbloquear el verdadero valor de la IA empresarial".
La conversación estuvo moderada por R. "Ray" Wang, presidente, fundador y analista principal de Constellation Research, y contó con la participación de Eve Psalti, directora sénior de Microsoft Azure, la Dra. Daniela Rus, directora del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, y Raj Shukla, director técnico de SymphonyAI.
Wang y los panelistas abordaron temas como los requisitos específicos de la IA en la empresa, los obstáculos para su adopción, la conveniencia de crear o comprar, los principales casos de uso, los factores de éxito de la prueba de concepto, las percepciones erróneas de la IA y las tendencias emergentes. El grupo trató muchos temas, pero el enfoque inicial se centró en el estado de la IA en la empresa y los pasos prácticos para el éxito.
"La IA ha existido durante mucho tiempo, pero ha vuelto de nuevo y es el tema número uno en todas partes, especialmente con la IA generativa acaparando todo el protagonismo en este momento", dijo Wang al pedir a los panelistas que compartieran sus puntos de vista sobre la realidad de la IA en la empresa hoy en día.
"Hay muchas expectativas, a veces poco realistas", afirma Psalti. "Las empresas presumen que va a haber un ROI inmediato, y la realidad es que muchas empresas están en las primeras fases de adopción de la IA".
Aunque el entusiasmo por la IA generativa es bien merecido, Rus cree que las empresas han empezado a darse cuenta de que la IA es mucho más que eso. Para que la IA esté a la altura del bombo publicitario es necesario combinar la IA generativa con otros tipos de IA de los que se habla menos, como la IA predictiva, optimizadora y decisoria.
"Soy muy optimista sobre la IA y el valor que puede aportar a las empresas, pero tenemos que pensar en ella de manera más holística y las empresas tienen que pensar muy cuidadosamente sobre su libro de jugadas con la IA", dijo Rus.
Según Shukla, de SymphonyAI, sea cual sea el tipo de IA de que se trate, es necesario que la capa de datos sea la adecuada para desbloquear su eficacia frente a casos de uso que varían según el sector vertical. Así que, a diferencia de ChatGPT u otros grandes modelos lingüísticos (LLM) del mercado que se entrenan con conjuntos de datos disponibles públicamente, el valor de la IA empresarial se deriva del acceso y el entrenamiento con datos verticales y específicos de la empresa, de modo que el modelo pueda utilizarse para razonar y conectar los puntos en toda la empresa, respetando al mismo tiempo las directrices de buena gobernanza de datos y privacidad.
"Hay todos estos datos empresariales disponibles, pero ¿se ha construido la base, se ha añadido la capa de datos, se ha añadido la capa de API para poner todo ello a disposición de un modelo generativo de IA al que acceder según sea necesario?", señaló Shukla . "Esa es la diferencia clave que todo el mundo se da cuenta frente a las aplicaciones de consumo donde un modelo ha sido entrenado y responde a las preguntas por usted".
¿Construir o comprar?
Decidir si crear o comprar soluciones empresariales de IA empieza por tener claros los casos de uso y si son específicos de una empresa o sector vertical. Shukla abordó este punto explicando cómo la creación de una solución puede ser la única opción en situaciones en las que el problema a resolver es exclusivo de una empresa. Sin embargo, cuando un caso de uso es común a varias empresas de un sector vertical, el enfoque preferido es la compra. Puso un ejemplo habitual en el sector minorista: la evaluación de la demanda transferible cuando se añaden o eliminan productos del surtido de un minorista.
"La idea de la transferencia de la demanda es común y los productos de SymphonyAI permitirán a los minoristas resolver ese caso de uso, por lo que tiene sentido comprar algo así", dijo Shukla. "Pero si un problema es muy específico para ubicaciones de tiendas particulares, entonces tal vez sea mejor construir una solución". Esta analogía también se aplica a otras verticales de la industria."
El coste también es un factor importante, según otros oradores que compartían la opinión de que construir algo va a ser más costoso que comprarlo, por lo que la justificación económica tiene que ser convincente.
"En muy, muy pocos casos se debe ir y construir uno propio", dijo Psalti. "Un error común que vemos es que los clientes de Microsoft llegan a la conclusión de que tienen que desarrollar su propio modelo generativo de IA, y eso puede ser una operación muy costosa y que lleva mucho tiempo".
También suele ser innecesaria. Psalti señaló que, cuando se utiliza IA generativa, es importante empezar a personalizarla mediante ingeniería rápida (el proceso de dar instrucciones a un modelo para mejorar los resultados). A continuación, las empresas pueden actualizar el LLM con metodologías de generación aumentada por recuperación (RAG) para fundamentar el LLM de forma más factual para casos de uso específicos.
"No hace falta todo un equipo ni mucho tiempo para hacerlo, y sólo entonces diría que hay que ir a afinar, que básicamente es cambiar los pesos del modelo, pero eso requiere un poco más de habilidad y conocimientos técnicos", dijo Psalti.
Pasar del pain point al POC y a los sistemas de producción
El proceso de compra de un producto de IA empresarial suele implicar una fase de evaluación de prueba de concepto (POC) antes de pasar a un proyecto completo. Como señaló Wang, los POC pueden tener tasas de conversión tan bajas como del 20%, por lo que preguntó a los panelistas cómo superar las barreras para llevar los POC de grado empresarial a la fase de despliegue real.
El Dr. Rus, del MIT, cree que se necesita más comprensión y planificación en la fase inicial del proceso para establecer si el uso de la IA es adecuado y tener un objetivo claro y una estrategia clara para alcanzarlo.
"Definir un objetivo claro significa entender qué problema se intenta resolver", afirma Rus. "También significa definir y comprender a las partes interesadas, las funciones, los datos, comprender las medidas de éxito, comprender todos los aspectos de la entrega que irán de la idea del problema a un pequeño POC y a una solución real a nivel empresarial".
Para ayudar en este proceso, Psalti comparte la opinión de que la identificación de los puntos débiles es esencial. Una vez que las empresas identifican las áreas en las que pierden mucho tiempo porque no hay automatización o porque los datos y los procesos están aislados, les ayuda a priorizar qué POC deben seguir porque es más probable que consigan los resultados deseados.
"Otra cosa que vemos en las empresas que han integrado con éxito la IA generativa en sus operaciones es que todas tienen un centro de excelencia. Así pueden poner en marcha POC en varios departamentos o grupos, compartir algunas de las mejores prácticas y avanzar con rapidez", afirma Psalti.
Un centro de excelencia puede ayudar a una empresa a elegir los casos de uso óptimos a los que dirigirse, ya que, como señaló Shukla de SymphonyAI, algunas de las áreas problemáticas existen desde hace años o incluso décadas.
"Cuando el problema existe, y podemos poner un número en el valor, el POC se definiría como cuál es el resultado deseado", dijo Shukla. "En nuestro vertical industrial, nos fijamos en el mantenimiento predictivo y en la cuestión de detectar el fallo de una máquina antes de que se produzca. Nuestro producto Iris Foundry hace un gran trabajo en este sentido".
Los servicios financieros son otro ámbito en el que la IA empresarial ayuda a resolver un caso de uso convincente: en este caso, el antiguo problema del sector de detectar y prevenir el fraude y la delincuencia financiera. Con un modelo adecuadamente entrenado que potencie las capacidades predictivas, la detección temprana de actividades ilegales es posible de una manera más eficaz que los enfoques tradicionales basados en reglas que producen un gran número de falsos positivos. La IA generativa también ayuda a acelerar drásticamente la generación de informes de actividad sospechosa (SAR).
"Trabajamos con un gran banco de Sudáfrica y hemos demostrado que sustituir su sistema basado en reglas por un modelo predictivo redujo los falsos positivos en más de un 70%", afirma Shukla. "Con otro cliente de servicios financieros hemos reducido el tiempo de las investigaciones en un 40%".
Disipar las percepciones erróneas más comunes
En lo que respecta a las expectativas de la IA empresarial, las hay relacionadas con la creación de valor empresarial, así como otras que implican efectos potencialmente negativos. Los panelistas abordaron este tema centrándose en las preocupaciones más frecuentes, como que la IA acabe con el empleo.
Los ponentes citaron estudios del sector que demuestran que el número de empleados suele permanecer estable con la adopción de la IA empresarial, pero la productividad, la eficacia y el compromiso de empleados y clientes mejoran. Esto es lógico, ya que la disponibilidad de mejores herramientas significa que las personas pueden centrarse en cosas importantes en lugar de en tareas repetitivas indeseables. Sin embargo, esto también puede dar lugar a la preocupación de que los trabajadores sean desplazados a medida que las empresas avanzan por el marco de madurez de las "Cinco A de la IA" de Wang, que incluye las fases de aumento, aceleración, automatización, agentes y asesores.
Los panelistas coincidieron en que la mayoría de las empresas se encuentran en las fases de aumento y aceleración, y unas pocas en la de automatización. Independientemente de la fase en la que se encuentren, Psalti, de Microsoft, cree que el denominador común de todas ellas es la necesidad de una supervisión humana significativa.
"Estos modelos de IA, por innovadores y eficaces que sean, no son realmente autónomos. Necesitan supervisión humana, necesitan ajustes finos, necesitan intervenciones", dijo Psalti. "Estoy de acuerdo en que tenemos que emplearlos y empezar con casos de uso de bajo riesgo solo para entrenar y seguir personalizando las cosas y asegurarnos de que nos sentimos cómodos con el hecho de que no van a dar resultados inmediatamente, ya que lleva tiempo preparar los conjuntos de datos para hacer el entrenamiento del modelo y las iteraciones que tienen que suceder para proporcionar valor."
El futuro conectado de la IA
Cada uno de los ponentes se adelantó a un futuro en el que la IA es más integral para una empresa de alto funcionamiento que conduce a la creación acelerada de valor, varios factores se destacaron como impulsores del éxito futuro.
Para Rus, del MIT, las funciones de las organizaciones evolucionan y las responsabilidades se difuminan a medida que los empleados se vuelven bilingües en cuanto a las necesidades de la empresa y las particularidades de la IA empresarial.
"No basta con ser un experto en IA que ha aprendido la teoría. Tienes que entender realmente tu negocio. Necesitas entender el mercado, necesitas entender los productos", dijo Rus. "Si sólo estás formado en el ámbito empresarial, entonces no conoces la IA y es difícil entender cuáles son las posibilidades. Si lo único que conoces es la IA, no sabes realmente cómo puede ser útil. Es importante contar con personas que entiendan ambos lados".
También es importante perseguir una nueva visión de la empresa conectada, ya que es la clave para que la IA en todas sus formas supere las elevadas expectativas actuales. Como explicó Shukla, de SymphonyAI, la filosofía conectada es evidente en uno de los productos estrella de la empresa para el comercio minorista, llamado CINDE Gen AI. El producto unifica fuentes de datos dispares para ofrecer una imagen completa de las operaciones minoristas y ayudar a los minoristas a tomar decisiones más informadas sobre operaciones, merchandising y cadenas de suministro.
"El verdadero poder de los modelos de IA es que mejoran si se les proporcionan datos conectados", afirma Shukla. "A veces, un POC fracasa porque no se conecta la historia, y para conectar la historia hay que ir de arriba abajo, y los equipos de datos y los equipos operativos tienen que unirse. Así es como hemos desarrollado nuestras soluciones, y está resonando en el sector."
Descubra cómo la IA empresarial puede crear valor para su organización. Póngase en contacto hoy mismo.
