Perspectivas más ágiles y mejor uso de la Inteligencia Artificial son cruciales hoy más que nunca

Conversando con líderes de negocios en los últimos meses, invariablemente terminamos hablando de ChatGPT y el auge de la inteligencia artificial generativa.

Prácticamente todos los ejecutivos reconocen que esta tecnología marca un cambio de paradigma significativo en el mundo empresarial, como una herramienta que podría revolucionar sus empresas de forma radical. Constantemente escucho que tanto ellos como sus equipos ya están saturados de trabajo. No están seguros de cómo abordar este nuevo escenario y no disponen de tiempo para adentrarse en todas las complejidades de los nuevos modelos de inteligencia artificial, mucho menos para desarrollar y ejecutar un plan que transforme profundamente sus negocios y flujos de trabajo internos.

Existe un camino para capitalizar el valor de la inteligencia artificial en las empresas, y no requiere una transformación integral y abrupta del negocio, como algunos futuristas más extremos podrían sugerir. Sin embargo, sí implica aprovechar los activos existentes que muchas empresas han buscado valorizar desde hace tiempo.

Para los ejecutivos que se preguntan cómo avanzar con la inteligencia artificial, hay tres puntos clave que pueden orientar el proceso. Primero, la inteligencia artificial y el Big Data están vinculados de forma indisoluble. Segundo, todavía estamos en las primeras etapas de los modelos de lenguaje de gran escala (LLMs por sus siglas en inglés), y estos se desempeñan mejor en modelos específicos por dominio. Tercero, el secreto para obtener valor de la inteligencia artificial es la habilidad para hacerla operativa.

La Inteligencia Artificial y los datos están en una “Danza Cósmica” 

Hace unos años, el concepto de ‘lagos de datos’ —un repositorio único de datos corporativos creado para acelerar la obtención de insights— era común. Hoy en día, las empresas hablan de ‘océanos de datos’. En esta era de la computación en nube,Internet de las Cosas y redes sociales, la tendencia de crecimiento en el volumen de datos sigue en aumento.

Sin embargo, dependiendo del sector, entre el 40% y el 90% de los datos no se aprovechan. Las empresas tienen tanta información que no saben qué hacer con ella.

Para que la inteligencia artificial sea valiosa, debe entrenarse con conjuntos de datos de alta calidad. En muchos casos, la calidad de estos conjuntos es tan importante como su cantidad. Por otro lado, el volumen de datos es tan enorme que las organizaciones no pueden extraer su significado sin la ayuda de la inteligencia artificial. La IA y los datos están estrechamente entrelazados, uno desbloquea el valor del otro.

Los LLMs aún están en su Infancia 

El entusiasmo en torno a los LLMs es considerable, ya que permiten a los usuarios interactuar con sistemas utilizando el lenguaje coloquial que emplearíamos con un amigo o colega. El potencial para simplificar tareas complejas es inmenso. A primera vista, los LLMs parecen tener un potencial casi ilimitado.

La mayoría de las organizaciones deberían enfocarse en aplicar la inteligencia artificial a casos de uso específicos con modelos especializados que proporcionen valor inmediato. Además, deberían colaborar con socios estratégicos (proveedores de software e integradores de sistemas) desde la conceptualización hasta la implementación y la realización del valor. 

También deben asegurarse de que la solución considere todos los elementos de riesgo —seguridad, precisión, calidad, privacidad, sesgos y ética— para que sea viable su llevarlos a la operación.

La transformación a nivel de toda la empresa no ocurrirá de la noche a la mañana. No obstante, las organizaciones pueden buscar proyectos bien definidos que generen éxitos y brinden a sus equipos la experiencia necesaria para futuras iteraciones.

Implementando la Innovación 

¿Cómo se ve en la práctica una integración de datos e inteligencia artificial exitosa? Consideremos las operaciones de TI y la gestión de servicios para ilustrar el concepto. En el ámbito de las operaciones de TI, las organizaciones manejan un gran volumen de datos —métricas, registros, eventos, trazas, redes, almacenamiento, datos de rendimiento de aplicaciones y monitoreo en la nube— recopilados de diversos entornos. Estos datos se pueden vincular al contexto de servicio de la empresa, como incidencias, periodos de inactividad y solicitudes de mantenimiento.

Esta unión de datos de servicio y operaciones se conoce como ServiceOps y se utiliza para fomentar la colaboración en toda la empresa, automatizar tareas rutinarias y obtener advertencias tempranas de interrupciones. Al entrenar y afinar un MLGE en ServiceOps, las organizaciones pueden identificar patrones y generar información previamente inaccesible, como perspectivas de resolución, predicciones de riesgo empresarial y más.

La inteligencia artificial generativa tiene el potencial de democratizar tareas complejas permitiendo a los usuarios interactuar mediante lenguaje natural. También automatiza las defensas de ciberseguridad en respuesta a ataques desplegados a velocidades superiores a las que los humanos pueden reaccionar. A pesar de que la inteligencia artificial generativa se encuentra en una fase temprana, las organizaciones pueden obtener beneficios operacionalizando casos de uso de alto valor con un enfoque pragmático, uno que incluye LLMs específicos del dominio y la implementación de controles necesarios como la orquestación de ingeniería de indicaciones, seguridad y cumplimiento regulatorio integrados en la solución.