Las capacidades en lenguaje natural de la IA generativa son tan fáciles de usar que incluso los CEO, que típicamente no son adoptadores tempranos, experimentan con ella. Menos de un año después de que las herramientas basadas en IA generativa aparecieran a finales de 2022, una cuarta parte de los ejecutivos de C-suite ya las estaban usando.
El amplio interés en la IA generativa ha creado una gran ola de casos de uso y experimentos. Sin embargo, estos esfuerzos son relativamente fáciles de iniciar pero pueden consumir recursos sin generar mucho valor. Para escapar de este purgatorio de pilotos, la prioridad debe ser conectar la IA generativa con resultados empresariales. Aquí hay cuatro maneras en que los CEO pueden lograrlo.
Enfocarse en algo importante
Cuando la IA generativa se difunde en una serie de pilotos, puede parecer una tecnología en busca de un problema. Sin embargo, el cambio significativo ocurre cuando la IA generativa se dirige a un dominio lo suficientemente grande como para marcar una diferencia, como un recorrido del cliente o un área funcional. Por ejemplo, McKinsey trabajó con el gigante de servicios financieros ING, que creó una solución impulsada por IA generativa cuyas capacidades de lenguaje y datos le permitieron responder a los clientes con soluciones precisas, mejorando el servicio y permitiendo a los agentes encargarse de problemas más complejos.
Desarrollar una hoja de ruta tecnológica liderada por el negocio.
La IA generativa trae consigo tantas incógnitas que requiere un equipo central, compuesto por todas las competencias relevantes, incluidas riesgo, legal, cumplimiento, finanzas, recursos humanos y estrategia, para desarrollar protocolos y estándares. Este esfuerzo debe comenzar con el CEO y la C-suite acordando qué es lo que se necesita hacer. Luego, el CEO debe trabajar estrechamente con el director de información o el director de tecnología (CIO o CTO) para traducir ese compromiso en una hoja de ruta específica que dirija cómo la empresa procederá. Por supuesto, transformar un dominio no se trata solo de aplicaciones de IA generativa; la digitalización de procesos y otras formas de IA también estarán involucradas. Si las aplicaciones se construyen alrededor de módulos reutilizables, pueden aplicarse a muchos tipos de problemas futuros también.
Construir una base de talento
Desarrollar una base de talento es innegociable. Asociarse con proveedores externos, como ingenieros senior que ya han construido productos de IA generativa, puede ser una parte importante de una estrategia de IA generativa. Pero el enfoque debe estar tanto o más en el talento interno, y no solo entre los equipos tecnológicos. Los que están del lado del negocio también necesitan tener una idea de lo que la IA generativa puede y no puede hacer.
Las empresas pueden capacitar a sus ingenieros de datos, por ejemplo, para aprender procesamiento multimodal y gestión de bases de datos vectoriales, mientras que los científicos de datos pueden desarrollar habilidades de ingeniería de prompts y detección de sesgos. Y es fundamental retener a estos expertos. Una reciente encuesta de McKinsey a casi 13,000 empleados encontró que el 51% de los creadores y usuarios intensivos de IA generativa planean dejar sus roles en los próximos tres a seis meses. La compensación siempre será importante, pero las personas talentosas son más propensas a quedarse si pueden desarrollar sus habilidades, trabajar en iniciativas significativas y tener oportunidades de avance.
Por ejemplo, McKinsey trabajó con DBS, el banco de Singapur, completando una transformación digital exitosa y encontró que la proporción ganadora fue 80% de talento interno y 20% externo. Esta combinación permitió a la organización moverse más rápidamente y tomar decisiones más rápido. El principio es claro: La grandeza no se puede externalizar.
Centrarse en lo que importa
Las empresas están gastando mucho tiempo decidiendo qué modelos de lenguaje grande (LLMs) usar. Pero todos los LLMs de nueva generación pueden hacer cosas asombrosas. Es más importante poner el esfuerzo correcto en los lugares correctos, como la ingeniería de contexto, la seguridad, el gobierno de datos y asegurar que las actualizaciones tecnológicas apoyen la IA generativa a escala. Esto puede parecer obvio, pero muchos pilotos se han establecido en entornos protegidos que no reflejan las realidades en el terreno.
Mejorar los datos necesarios para soluciones específicas puede tener un impacto enorme en la calidad del resultado. También lo tendrá la inversión en un motor de orquestación: La IA generativa requiere muchas interacciones e integraciones entre modelos y aplicaciones. Una puerta de enlace de API (interfaz de programación de aplicaciones) es un elemento importante de esta capacidad de orquestación porque media el acceso y refuerza el cumplimiento. Una buena API no solo ayudará a reducir riesgos, sino que también dará confianza a los equipos.
Las diferencias en el desempeño entre los líderes y los rezagados en tecnologías digitales e IA están aumentando, con los líderes viendo un desempeño financiero mucho mejor. Si esa tendencia se extiende a la IA generativa, los rezagados podrían quedarse aún más atrás.
Es ciertamente posible capturar valor real de la IA generativa, pero es más difícil de lo que parece, en parte porque parece tan fácil. Simplemente no lo es.
(C) 2024, Fortune
Últimas Noticias
A tus compañeros de trabajo no les importa si llegas tarde, pero sí les molestan estos 5 comportamientos
Cómo lidiar con un acosador en el trabajo: esto es lo que recomiendan los expertos para manejarlo
Los millennials y la Generación Z están perdiendo el gusto por la cerveza
Un informe advierte que los autos eléctricos chinos podrían ser “armados” y deberían prohibirse para uso gubernamental
La ansiedad por el sueño es agotadora: aquí está cómo dejar de preocuparse y conciliar el sueño
