En el 2023, la inteligencia artificial ha mantenido un rol esencial en diversos ámbitos de la sociedad, pero en el que más has destacado ha sido en el entorno empresarial. La utilización generalizada de la IA se ha establecido como una herramienta estratégica para optimizar procesos, mejorar la toma de decisiones y promover la innovación.
Las organizaciones han empleado las soluciones IA para analizar grandes volúmenes de datos y obtener información valiosa, lo que ha posibilitado una personalización más efectiva en productos y servicios. Además, la automatización de tareas rutinarias ha liberado recursos humanos para actividades más creativas y estratégicas aumentando los beneficios. Por eso, en este contexto, numerosas empresas no solo están integrando la IA en sus operaciones diarias, sino que también están lanzando soluciones innovadoras basadas al mercado. Desde asistentes virtuales y chatbots hasta sistemas de recomendación personalizada, las aplicaciones de la IA son cada vez más diversas y están transformando la forma en que las empresas interactúan con sus clientes y optimizan sus procesos internos.
Sin embargo, según Javier González Jiménez, director asociado del Área Consultoría, “hay muchas pruebas de concepto y ensayos, pero hay pocos servicios de inteligencia artificial con años de recorrido con un retorno de valor claro y medido de forma objetiva, en el ecosistema empresarial de servicios tecnológicos en Andalucía. Especialmente si hablamos de LLMs (Large Language Models) y AI generativa, que es donde se encuadra GPT-3, ChatGPT, y similares”. Y él, en su amplia carrera profesional, ha podido ir analizando los factores críticos de éxito y de fracaso a la hora de llevar una solución IA al mercado, temática de la que se habló en el I Congreso de Inteligencia Artificial de Andalucía, en la cual participó Javier y en la que se trataron algunos de los puntos que desarrollamos en este artículo.
Factores críticos de éxito y de fracaso a la hora de llevar una solución IA al mercado
1. Caracterización y definición del problema
El primer paso es identificar la necesidad empresarial para convertirla en una formulación técnica precisa. Este proceso, ilustrado por un ejemplo de diseño técnico para abordar reclamaciones de clientes, destaca la importancia de traducir las necesidades del negocio en soluciones técnicas concretas.
2. Alinear negocio y tecnología
Lograr una comprensión mutua entre los responsables de negocios y los expertos en IA es crucial. Esto implica clarificar los beneficios concretos que la solución IA aportará al negocio, gestionar expectativas y establecer un vínculo de comprensión entre el cliente final y el experto tecnológico.
3. Medición del resultado
Antes de invertir recursos significativos en el desarrollo de soluciones IA, es esencial definir pruebas de concepto IA y medir o predecir la tasa de éxito del servicio. Gestionar expectativas con indicadores cuantitativos sobre una muestra de datos amplia proporciona insights valiosos antes de la implementación y evita futuros “chascos”.
4. Marcado de casos y revisión máquina-persona
Determinar la confiabilidad de las respuestas IA y establecer protocolos para revisar casos son aspectos críticos. ¿Cuándo y cómo se deben revisar las respuestas? ¿Cómo organizar esta revisión para optimizar recursos? Estas preguntas previas son clave para evitar futuro errores y poder analizarlo los mismos para eficientar la solución.
5. Sesgo tecnológico
Evitar el exceso de tecnología innovadora requiere un enfoque estratégico. Se debe seleccionar la solución más simple, económica y menos arriesgada, considerando la rápida evolución de la inteligencia artificial y manteniendo ciclos de innovación ágiles.
6. Captar y conformar al equipo técnico
Gestionar expectativas del equipo técnico es fundamental. La realidad de la consultoría de datos implica más trabajo práctico que teórico, y es crucial identificar perfiles adecuados para la recopilación y entrega efectiva de datos.
7. Modelo de negocio y cadena de valor
Entender el modelo de negocio y la posición en la cadena de valor es esencial. Las empresas deben enfocarse en ofrecer servicios a medida, aprovechando plataformas de grandes corporaciones sin aspirar a competir directamente con ellas.
8. Training dataset/Test dataset
La necesidad de datos de entrenamiento plantea preguntas sobre la obtención, calidad y medición de resultados. ¿Es posible implementar soluciones IA sin grandes conjuntos de datos de entrenamiento?
9. Replicabilidad de la respuesta
En modelos de lenguaje públicos compartidos, la replicabilidad de respuestas debe abordarse cuidadosamente. La evolución no controlada de modelos como ChatGPT puede afectar la coherencia de las respuestas dadas.
10. Coste de los grandes modelos on-premises
El despliegue local de modelos IA puede ser necesario para necesidades específicas, pero se debe evaluar cuidadosamente el retorno de inversión frente al costo.
11. Compliance
Considerar los riesgos y garantizar el cumplimiento normativo al utilizar servicios en la nube es esencial, especialmente al consumir servicios de grandes proveedores como Google, Amazon y Microsoft Azure.
En conclusión, la implementación exitosa de servicios de inteligencia artificial en el entorno empresarial, y en concreto en la administración pública, requiere sortear estos desafíos de manera estratégica, fomentando la colaboración entre el core business y la tecnología, gestionando expectativas y adaptándose a la evolución constante del panorama de la inteligencia artificial, sin olvidar el factor humano.
