Cómo escalar el valor de la IA al negocio

Por Ricardo Zermeño González

Publicado en agosto 6º 2024

La IA generativa es una "arma de doble filo" su facilidad de uso estimula la generación de múltiples casos en organizaciones, sin embargo, sin una gestión de datos adecuada no sólo no se generaliza el impacto, sino que puede ser nociva para el negocio.

Se multiplican los casos de uso

Los casos de uso de la IA en la industria TIC mexicana se están generalizando, tanto para uso interno como para ofrecer soluciones al cliente. En un sondeo reciente con empresas de TIC, los participantes destacan el desarrollo de código y la gestión y automatización de operaciones como los más frecuentes, muchos basados en herramientas de IA generativa^[1].

Sin embargo, a pesar de todo el entusiasmo que se ha desatado en la industria TIC, alrededor de un tercio de las empresas aún no utilizan inteligencia artificial al interior de su empresa o para apoyar a sus clientes.

Caso de uso de IA en industria TIC y sus clientes en México

Impacto y factores que lo determinan

La evidencia de una contribución significativa al negocio de los casos de uso de la IA generativa en el mundo es escasa. McKinsey destaca que sólo 15% de las compañías encuestadas indicaron que el uso de IA generativa ha generado un impacto significativo en las utilidades de sus empresas^[2]

En otro sondeo reciente con la industria mexicana de TIC realizado por Select^[3],  43% de los participantes señalaron que han experimentado poco o ningún impacto de la IA en las organizaciones. Sin embargo, existe un grupo pequeño pero importante de empresas que han experimentado impactos positivos de la IA en la productividad, la atención, experiencia y aseguramiento de la calidad para el cliente, la optimización de procesos y en el uso de redes sociales para promocionar productos y servicios. 

En ese mismo sondeo, las empresas subrayan que el costo, la carencia de casos de uso específicos, la falta de interés y la disponibilidad de datos de calidad son los factores que determinan el bajo impacto de la IA en las organizaciones.

Recomendaciones estratégicas

El valor potencial del uso de la IA es enorme, pero para capturarlo es necesario que la industria TIC apoye a sus clientes a elevar la escala y operar continuamente los casos de uso.

El surgimiento de IA generativa está forzando a lideres empresariales a rediseñar sus estrategias y plataformas de datos; aquellos que tengan éxito en esta tarea lograrán maximizar el valor monetario, tanto al negocio del usuario como al negocio de los integradores.

Por ejemplo, datos continuos sobre la experiencia integral del cliente a lo largo de sus interacciones con una empresa son cruciales para mejorarla, pero difíciles de desarrollar y actualizar. Por ello, es necesario fortalecer las capacidades de orquestación, automatización y facilidad de uso de los datos y mantenerlos incorruptibles (MLOPs)^[4].

De la literatura^[5] hemos sintetizado una serie de recomendaciones estratégicas que los integradores y usuarios deben seguir para elevar la contribución al negocio de la IA y en particular de la IA generativa:

• Enfocarse en aplicaciones de impacto y viables
• Orquestar interacciones con fuentes de datos e integrar operaciones para escalar
• Anticipar costos: gestión del cambio y operación son los mayores
• Controlar proliferación de herramientas; escoger la del aliado en la nube
• Crear equipos que generen valor no sólo modelos
• Seleccionar los datos correctos no los perfectos
• Usar herramientas^[6] para mejorar, catalogar, etiquetar y definir interrelaciones
• Reusar código para acelerar desarrollo y crear una plataforma transversal
• Escalar IA con seguridad: estándares y mejores prácticas de codificación

Conclusiones

Los casos de uso de la IA en la industria TIC mexicana se están generalizando, tanto para uso interno como para ofrecer soluciones al cliente; sobre todo la IA generativa. Sin embargo, la evidencia de su contribución a las utilidades de un negocio es aún limitada. Muchas empresas de la industria TIC en México señalaron que no han experimentado ningún tipo de impacto de la IA. Para escalar el impacto de la IA, los integradores y sus clientes deben fortalecer las capacidades de orquestación, automatización y facilidad de uso de los datos y mantenerlos incorruptibles.

Bibliografía

1. Avasant, 2024, Revolutionizing Gen AI Operations: Portkey’s End-to-End LLMOps Platform Tech Innovators by Avasant.
2. Tavakoli, A., Giovine, C. Caserta, J., Machado, J., Rowshankish, K., Boorstein, J. and Westby, N., 2024, A data leader’s technical guide to scaling gen AI, McKinsey Digital and QuantumBlack, AI by McKinsey, Article july 2024

Citas

1. Reyes, A. 2024, Aunque ventas TIC crecen se reduce el optimismo trimestral, Reporte Tecnología y negocios, 5 de junio 2024, Select, https://selectnet.selectestrategia.net/reporte/aunque-ventas-tic-crecen-se-reduce-el-optimismo-trimestral/ Ver cita
2. Baig, A., Merrill, D., Sinha, M., Mead, D. and Xu, S., 2024, Moving past gen AI’s honeymoon phase: Seven hard truths for CIOs to get from pilot to scale, McKinsey and Quantum Black, Article, May 13, 2024. Ver cita
3. Álvarez, T., 2024, Ventas TIC se desaceleran y disminuye optimismo, Reporte Tecnología y negocios, 2 de julio 2024, Select, https://selectnet.selectestrategia.net/reporte/ventas-tic-se-desaceleran-y-disminuye-optimismo/ Ver cita
4. MLOPs ó LLMOPs: conjunto de prácticas y procesos de ingesta de datos cuyo objetivo es optimizar el proceso de implementación y mantenimiento de los modelos de aprendizaje automático o los modelos LLM.. Ver cita
5. Baig, A., Merrill, D., Sinha, M., Mead, D. and Xu, S., 2024, Moving past gen AI’s honeymoon phase: Seven hard truths for CIOs to get from pilot to scale, McKinsey and Quantum Black, Article, May 13, 2024. Ver cita
6. Aprovechar, por ejemplo, herramientas como RAG (generación aumentada de recuperación) para extender los modelos estándar LLMs con contenido especifico propio de la empresa. RAG ayuda a los LLM a proporcionar respuestas más idóneas. Mejora la calidad de la IA generativa al permitir a grandes modelos de lenguaje (LLM) aprovechar recursos de datos adicionales sin necesidad de volver a entrenarlos. Ver cita