Introducción a la serie

Hemos estado antes aquí: surge una nueva tecnología, comienza un ciclo de entusiasmo y de expectativas caldeadas. La alta dirección asigna a alguien para desarrollar una estrategia sobre cómo implementarla, como una nueva herramienta, una nueva característica o un nuevo aspecto del modelo de negocio.

Pero esta vez, todo es diferente. La Inteligencia Artificial ya ha dejado de ser una herramienta o una característica y ha cobrado vida propia - información de mercado en tiempo real; Inventario ordenado automáticamente; Equipos liderados por IA llevando a cabo proyectos complejos; Robots de producción que toman decisiones de manera autónoma. Cambios en la estrategia impulsados por datos y realizados por IA en lugar de por gestores humanos, ya que estos últimos serían demasiado lentos. Organizaciones que se adaptan mediante algoritmos para mantenerse por delante de la competencia. Interacciones con agentes virtuales como si fueran empleados reales.

Estos escenarios pueden parecer futuristas. Pero de hecho ya no lo son. Las semillas de un mundo empresarial potenciado por la IA están brotando por todas partes. En una era donde términos como Inteligencia Artificial, Aprendizaje Automático o Big Data son más que simples palabras de moda -son los pilares de la próxima revolución industrial- las empresas se encuentran en un momento crucial. La aparición de tecnologías innovadoras como ChatGPT ha democratizado el acceso a la IA, inspirando a una amplia gama de entusiastas, profesionales y aprendices a explorar y contribuir al sector, a veces con mejores intenciones que resultados. Esta afluencia ha enriquecido a la comunidad de IA con perspectivas e ideas diversas. Sin embargo, también ha exacerbado un desafío para las empresas: navegar a través de la vasta cantidad de voces y modas para identificar las verdaderas posibilidades de la tecnología y las mejores ideas de aplicación en el terrenos empresarial.

Al embarcarnos en esta serie de cuatro partes, “Guía estratégica para empresas en su transformación en organizaciones impulsadas por la IA [AI-driven]”, nuestro objetivo es reducir el ruido y proporcionar una hoja de ruta estratégica y holística para empresas que buscan integrar exitosamente la IA en sus operaciones. Pretendemos ir más allá del atractivo superficial de las tendencias y profundizar en la sustancia de lo que se necesita para implementar la IA de manera efectiva y responsable en un entorno empresarial a gran escala.

La fiebre del oro de la IA y sus trampas

La actual revolución de la IA se puede comprar con la fiebre del oro. Así como los buscadores acudían a los arroyos con equipos rudimentarios y sueños de riquezas, las empresas se apresuran ahora a implementar soluciones de IA, a menudo sin una estrategia clara o un entendimiento de la tecnología. El auge de plataformas como ChatGPT ha democratizado significativamente el acceso a la IA, reuniendo a una mezcla de profesionales experimentados y entusiastas recién llegados al campo. Esta democratización es fundamentalmente positiva, fomentando un ecosistema rico y diverso de ideas e innovaciones. Sin embargo, también hace más difícil discernir las ideas bien fundamentadas y experimentadas de las opiniones bien intencionadas, pero menos informadas. Este entorno dinámico, aunque vibrante e inclusivo, ocasionalmente lleva a la confusión, lo que hace que sea imperativo para las empresas navegar con cuidado para evitar adoptar estrategias que podrían no alinearse con sus mejores intereses o aprovechar completamente el potencial de las tecnologías de IA.

Por qué una aproximación estratégica es importante

En esta pequeña serie de cuatro artículos, presentaremos el enfoque de Connecthink para desarrollar una estrategia de integración de la Inteligencia Artificial Generativa (GenAI) y los Modelos de Lenguaje Extensos (LLM) en las funciones centrales de negocio, donde las visiones de los tecnólogos y científicos de datos se equilibran con la realidad de la toma de decisiones ejecutivas. Todos hemos leído en los medios de comunicación el poder y los riesgos potenciales de la Inteligencia Artificial Generativa junto con la increíble velocidad con la que estas tecnologías han evolucionado en los últimos 18 meses. Sería de esperar que las organizaciones estuvieran ya bien encaminadas hacia la adopción e integración de las mismas; sin embargo, la realidad es que la adopción de la Inteligencia Artificial Generativa en los procesos centrales de negocios está todavía muy rezagada.

Esta serie aborda nuestro enfoque para construir una estrategia basada en buena medida en los principios ágiles de desarrollo, donde los tecnólogos y científicos de datos deben adoptar una mentalidad empresarial, y los ejecutivos deben comprender las implicaciones más amplias de la Inteligencia Artificial Generativa y los LLM, más allá de las soluciones técnicas.

Hemos bautizado nuestra aproximación como “Entender, Pensar en Grande, Empezar Pequeño, Escalar”. Al adoptar este enfoque, las organizaciones pueden desarrollar una estrategia centrada en resultados, con la flexibilidad para adaptarse a sus necesidades y logrando un equilibrio entre la innovación y el pragmatismo.

Enfatizaremos por qué un enfoque estratégico y bien informado hacia la IA es crucial. La IA no es una varita mágica que se puede agitar para resolver todos los problemas empresariales. Requiere una planificación cuidadosa, una comprensión profunda de sus capacidades y limitaciones, y una visión clara de cómo puede integrarse en los procesos empresariales existentes. Exploraremos cómo construir una base sólida para las iniciativas de IA, comenzando con una evaluación de la infraestructura de IT actual, entendiendo la preparación de datos y estableciendo objetivos claros y alcanzables.

PARTE 1 - ENTENDER

Para dominar los desafíos del futuro cercano, necesitamos entender que la IA no es simplemente una herramienta, sino mucho más. Va a evolucionar a un ritmo frenético, y lo va a cambiar todo. Esto se puede descomponer en tres retos:

• Reto 1. Tenemos que comprender y utilizar el potencial de la IA como una nueva capa de negocio, o incluso como una entidad.

• Reto 2. Tenemos que dar forma al futuro de la empresa con la estrategia correcta.

• Reto 3. Por último, tenemos que gestionar el hecho que la misma IA creará una parte sustancial de esta estrategia.

Reto 1. Para abordarlo, resultará útil proyectar las implicaciones de la IA en tres espacios temporales:

El Espacio de la Productividad

Actualmente, estamos en el Espacio de la Productividad, donde la IA está desplegando su potencial como un notable impulsor de la eficiencia: Textos brillantes que se crean en cuestión de segundos; Creación de imágenes y videos en tiempo real; Análisis automático de grandes cantidades de datos; Sistemas médicos que reconocen ciertas enfermedades de manera mucho más rápida -y fiable- que cualquier médico bien entrenado.

En esta fase, la IA se puede integrar en una empresa como cualquier otra herramienta (como un “copiloto”). Los procedimientos ya establecidos para usar nuevas herramientas pueden funcionar aquí perfectamente. Pero el desarrollo no se detendrá aquí…

El Espacio de las Decisiones

Muchas empresas han alcanzado ya el Espacio de las Decisiones, donde la IA no solo proporciona resultados analíticos y pronósticos, sino que contribuye significativamente a la toma de decisiones, y no solo a nivel operativo sino también estratégico.

La conducción autónoma se está convirtiendo en una realidad. La dinámica de las cadenas de suministro y la demanda del mercado se pueden analizar y ajustar automáticamente. La IA es, al menos, un socio en el desarrollo de nuevos productos (en algunas empresas punteras, el único jugador en este proceso). Las líneas de producción se automatizarán de una manera que antes era inimaginable. La IA se convierte en un asesor de confianza para los gerentes de marketing y los miembros del consejo de administración.

La estrategia, las operaciones y la inteligencia artificial están comenzando a interactuar. Y esto requiere una gestión reflexiva y meticulosa, ya que sólo será soportable para una empresa si hay una clara conciencia y conocimiento de los desarrollos futuros en el nivel de la alta dirección.

El Espacio del Diseño

La siguiente fase es el Espacio del Diseño. Aquí es donde la inteligencia artificial comenzará a actuar de manera autónoma e influirá en la estrategia, en la mayoría de los casos más rápido y más precisamente que cualquier humano.

Se analizarán en tiempo real los cambios en la dinámica del mercado y se implementarán medidas automáticamente. Equipos enteros serán dirigidos por la IA, que asignará tareas y monitorizará los resultados. Los ajustes organizacionales se diseñarán en un abrir y cerrar de ojos. Los ajustes menores se implementarán automáticamente, mientras que los ajustes mayores se presentarán a los gerentes responsables con una argumentación detallada sobre la necesidad, las consecuencias, los riesgos y los indicadores clave de rendimiento a ser monitorizados. Empleados y gerentes en todos los niveles experimentarán la IA como un impulsor altamente efectivo del negocio, los flujos de trabajo y el éxito, así como un determinante importante de la cultura corporativa, y probablemente también como un competidor en sus propias ambiciones profesionales.

La IA se habrá convertido en un "ser" dedicado por derecho propio, una nueva capa de negocio que dará forma al entorno de trabajo. No debemos paralizarnos ni horrorizarnos frente a esta expectativa, sino participar activamente en este futuro.

El desarrollo de los sistemas de IA en los últimos dos años deja claro que estos cambios no son ciencia ficción, sino que ocurrirán rápidamente. Mucho más rápido que cualquier otro cambio tecnológico anterior. Por lo tanto, hay poco tiempo para prepararse. En menos de 5 años, el mundo empresarial habrá cambiado más que en los últimos 50 años. En tiempos como estos, siempre hay una oportunidad para ganar una nueva y mejor posición en el mercado … si tomas la decisión correcta ahora.

Reto 2: Necesitamos una nueva estrategia, NO una estrategia de IA

Resulta obvio que en un futuro donde la IA asuma tantas funciones empresariales e incluso participe en el desarrollo de la estrategia, ya no es suficiente tratarla de la misma manera que lo hemos hecho con otras herramientas. El impacto de la IA es mucho más que una herramienta de productividad. Es un “game changer”.

No basta con simplemente planificar cómo la IA puede integrarse en el modelo de negocio. Los conceptos de ventaja estratégica, creación de valor, flujos de valor, diseño organizativo o procesos y actividades deben ser cuestionados y, en muchos casos, rediseñados.

Este es un trabajo estratégico fundamental, casi como fundar una nueva empresa. Los ajustes estratégicos necesarios pueden llevar años. Pero cuanto antes una empresa encuentre una nueva dirección y un modelo de negocio que funcione en el nuevo entorno, antes se situará por delante de la competencia.

Solo puede haber una estrategia en cada empresa, no varias. Una empresa bien gestionada persigue una estrategia general orientada a cumplir con los requisitos del mercado y hacer que la empresa prospere. Todas las actividades que subyacen a ella son bloques de construcción que soportan la estrategia. En última instancia, son solo bloques que contribuyen a la estrategia general, consistentes en planes, medidas tácticas, hojas de ruta y proyectos. Pueden ser cruciales para dar vida a la estrategia, pero no pueden ser estrategias separadas. La estrategia siempre debe proporcionar un marco integrador en el que todos los bloques de construcción se entrelacen de manera significativa para lograr una ventaja competitiva.

Las mal llamadas “estrategias de IA” se quedan cortas. Cuando la dirección habla de una estrategia de IA, y muchos lo hacen en la actualidad, generalmente significa que un gerente más un equipo están desarrollando un nuevo producto o servicio impulsado por IA, que están implementando herramientas de IA para aumentar la productividad o que están desarrollando un nuevo modelo de negocio basado en IA.

Los altos directivos rara vez cuestionan la estrategia corporativa en su totalidad. Pero esto es inevitable cuando la IA conquista el mundo empresarial. Actualmente, en 2024, las iniciativas de IA están generando enormes beneficios de productividad y abriendo las puertas a nuevos productos y modelos de negocio. Eso es absolutamente cierto. Pero incluso ahora, estamos en la transición a la próxima fase de una economía impulsada por la IA.

La industria del Software nos muestra el camino. Hasta cierto punto, este cambio está pasando desapercibido, ya que se está llevando a cabo la gran actualización de IA detrás de bastidores. Las suites de Microsoft y Google están siendo equipadas con funciones de IA (Copilots). Las aplicaciones de ERP, CRM, marketing y ventas también están siendo mejorados. Incluso también el propio desarrollo del software y el diseño visual. Es comprensible que las empresas de software detrás de estos sistemas estén tratando de ganar una ventaja competitiva o al menos no perder terreno. La IA se integra fácilmente en productos de software. Pero la carrera no se detendrá aquí. Solo es cuestión de tiempo, meses más que años, para que otros sectores también se vean obligados a adaptarse.

La única solución en cualquier industria es cuestionar fundamentalmente la estrategia general.

Reto 3: Dominar la estrategia en un mundo donde la IA determina una parte significativa de esta estrategia

Algunas capacidades sobresalientes de los sistemas de IA generativa compleja son sus modelos completos del mundo, su acceso aparentemente infinito al conocimiento humano y la velocidad asombrosa con la que pueden acceder y computar estos recursos.

Por otro lado, son características de los altos directivos de una empresa su comprensión integral del negocio al que están dedicados, un amplio conocimiento de la dinámica de la industria y mercado y la capacidad de tomar decisiones importantes.

Parecen capacidades bastante similares, ¿no?. Pero en las tres dimensiones: tamaño del modelo del mundo (o de la industria), acceso al conocimiento y datos subyacentes, y capacidad para identificar las mejores opciones, la IA superará a los humanos por mucho.

Es cierto que todavía no estamos ahí. La GenAI tiene aún un margen de error significativo y lo que más falta es, sin duda, el acceso directo a información integral y relevante en tiempo real. Pero estas limitaciones pronto se superarán. En particular, con el desarrollo creciente de sistemas multimodales y especializados (IA específicas de dominio), veremos que la IA puede hacer contribuciones importantes al desarrollo de estrategias, en un primer paso, y asumir totalmente esta tarea cada vez más en un segundo paso.

Esta será una fase en la que la interacción humano-máquina tendrá que redefinirse. No queremos un mundo empresarial completamente controlado por la IA y en el que los gerentes sean solo figuras secundarias. Esta idea no corresponde a la naturaleza humana, así que lo que necesitamos es una discusión y desarrollo en tres niveles:

1. Una discusión ética global sobre cómo la sociedad quiere vivir con la IA y qué criterios debe cumplir la IA para concederle acceso a roles que implican decisiones y efectos tan de gran alcance en empresas, personas y sociedad. Las consideraciones éticas en torno a la Inteligencia Artificial Generativa son complejas y están relacionadas con sesgos, uso indebido y equidad. El Informe del Índice de IA de Stanford 2023 destaca cómo la escala del modelo afecta a los sesgos y la toxicidad, revelando que los modelos más grandes, aunque son poderosos, tienen dificultades con sesgos arraigados y resultados tóxicos. Estos desafíos pueden mitigarse mediante una cuidadosa selección de datos de entrenamiento y métodos rigurosos de mitigación. Sin embargo, abordar estos problemas no es sencillo, ya que la relación entre la equidad y el sesgo en la IA indica que los esfuerzos por crear modelos más justos no siempre se correlacionan con la reducción de sesgos. Además, ha habido un aumento en los incidentes de mal uso de la IA, añadiendo otra capa de complejidad y señalando un creciente conocimiento del uso ético de la IA y el potencial de que sistemas de IA, como los chatbots, sean explotados con fines no éticos. Esto ha aumentado el enfoque en consideraciones éticas en el desarrollo e implementación de la IA, asegurando que los sistemas estén diseñados con salvaguardias contra el mal uso y consecuencias no deseadas. Estos desafíos subrayan la necesidad de un enfoque multifacético de la ética en la IA que equilibre el avance tecnológico con los valores y normas de la sociedad.

2. Procesos estratégicos en empresas que preparen a la organización para los cambios drásticos. Ciertamente, empezará con cómo se pueden usar las herramientas de IA para mejorar la productividad, pero no debería detenerse ahí. Las empresas necesitarán líderes visionarios, o al menos dialogar con visionarios de IA, para desarrollar y evaluar escenarios futuros. La cuestión de hasta qué punto la IA debe tomar el liderazgo o establecer un nivel equivalente de colaboración también debe responderse a nivel empresarial.

Adicionalmente, navegar por las políticas y la regulación en la IA Generativa será crucial para la integración estratégica. El cambiante panorama normativo subraya la necesidad de cumplir con marcos legales diversos y a veces complejos. Esto es especialmente cierto dada la naturaleza global del desarrollo e implementación de la IA, que a menudo cruza fronteras nacionales y jurisdiccionales. A medida que gobiernos y organismos reguladores de todo el mundo luchan con las implicaciones de las tecnologías de IA, las organizaciones deben mantenerse al tanto de estos cambios para asegurar que sus estrategias de IA estén alineadas con las regulaciones actuales y futuras. Esta consideración de política y regulación no es un proceso estático, sino un aspecto dinámico de la estrategia de IA que requiere atención y adaptación continuas.

3. El desarrollo tecnológico debe avanzar más rápido en cuanto a IA confiable y explicable. Los sistemas han alcanzado un nivel de complejidad tal que los sistemas transparentes ya no son posibles. Sin embargo, deberían desarrollarse hasta tal punto que puedan explicar y justificar sus predicciones y entrar en un diálogo crítico con los humanos.

PARTE 2 - PENSAR EN GRANDE

La investigación ha demostrado que 'pensar en grande' no es solo un requisito previo a la perspectiva estratégica, sino una necesidad imperiosa. Harvard Business School destaca los roles críticos del talento y los datos en esta nueva era, donde la inteligencia artificial y el análisis de datos no son solo herramientas, sino elementos fundamentales de la estrategia empresarial. El último estudio de McKinsey sobre tecnologías disruptivas enfatiza la necesidad de que los líderes sean proactivos en comprender y prepararse para el impacto de estos avances tecnológicos. Las ideas de BCG sobre innovación profunda en tecnología refuerzan la importancia de la orientación a problemas y la convergencia de diversas tecnologías en la conducción de la innovación de impacto.

El enfoque de 'pensar en grande' requiere un cambio de mentalidad: pasar de ver la tecnología como una función de soporte a reconocerla como un impulsor estratégico central, capaz de redefinir industrias y crear nuevos paradigmas de servicio y eficiencia. En el caso de la IA, no se trata de una tecnología o herramienta más: es un cambio profundo en cómo los humanos y las máquinas interaccionamos.

Para 'pensar en grande' verdaderamente, las organizaciones deben imaginar el futuro con la inteligencia artificial y otras tecnologías emergentes en el centro de su estrategia. Esto implica identificar oportunidades donde la inteligencia artificial puede resolver problemas actuales y descubrir nuevas vías de crecimiento e innovación. Los ejecutivos deben fomentar una cultura de exploración creativa, donde se nutran y valoren las ideas que aprovechan la inteligencia artificial. Esto incluye imaginar nuevos modelos de negocios, redefinir las experiencias del cliente y utilizar la inteligencia artificial para impulsar eficiencias operativas sin precedentes. 'Pensar en grande' significa mirar más allá del horizonte inmediato e imaginar un futuro donde la inteligencia artificial esté imbricada en el tejido del negocio, impulsando la transformación y entregando un valor tangible y a largo plazo. Un futuro, más cercano de lo que creemos, donde la IA pasará de ser un elemento de la estrategia a ser la estrategia es si misma.

Algunos de los factores clave para ‘pensar en grande’ son los siguientes:

1. Liderazgo: una dirección visionaria y decidida es fundamental para navegar las complejidades de la integración de la IA, asegurando que las iniciativas se alineen con los objetivos y valores estratégicos de la organización.

2. Datos: el éxito de la IA depende de qué tan bien se entiendan y gestionen los datos de los que se alimenta. Por tanto, la estrategia IA debiera ser una extensión de la estrategia de datos. Las organizaciones que tienen problemas con sus datos deben, antes de nada, centrarse en asegurar que sus datos son de alta calidad, seguros, con una buena gobernanza y consideraciones éticas en el uso de los mismos.

3. Organización: fomentar y cultivar una cultura preparada para la IA, enfatizando la importancia de la formación y la contratación para conjuntos de habilidades en IA, y explorando los roles de liderazgo en su adopción.

4. Tecnología: una guía a través de la miríada de tecnologías de IA disponibles, ofreciendo ideas sobre la evaluación de soluciones de IA para las necesidades empresariales y equilibrando la innovación con la practicidad.

Pensar en grande implica la construcción de una hoja de ruta a largo plazo para la IA. Se trata de visionar el punto de llegada tras la transformación que representa convertirse en una organización AI-driven, y determinar los pasos para alcanzar este estadio. Metodologías como Future Foresight y Backcasting pueden ser de gran utilidad para ello.

‘Pensar en grande” empieza por definir la ambición de tu organización con respecto a la IA. El radar de oportunidad de Gartner es un buen marco para este ejercicio.

Existen dos tipos de IA:

• IA cotidiana se centra en la productividad. Con la IA cotidiana, las máquinas eliminan tareas tediosas de nuestras vidas. Se convierten en nuestros socios de productividad mejorados, permitiéndonos trabajar más rápido y de manera más eficiente. La IA cotidiana se enfoca en hacerte más eficiente y productivo en las tareas que ya realizas.

• IA transformadora se centra principalmente en la creatividad. Este tipo de IA hace una de dos cosas: o te permite crear nuevos resultados a través de productos y servicios habilitados por IA; o crea nuevas formas de obtener nuevos resultados, como con nuevas capacidades centrales habilitadas por IA. Con la IA transformadora, las máquinas interrumpirán los modelos de negocio y las industrias enteras.

Se puede aprovechar el poder de la IA cotidiana y la IA transformadora tanto para usos internos como para productos y servicios orientados al cliente.

Para definir tu ambición en IA, se deben examinar cuatro oportunidades para usarla en tu organización:

• IA cotidiana interna - Aumenta la productividad en tu back office.

• IA cotidiana externa - Aumenta la productividad en tu front office.

• IA transformadora interna - Crea nuevas capacidades core.

• IA transformadora externa. Crea productos y servicios completamente nuevos.

Sobre este radar se puede determinar el escenario de inversión y retorno óptimo. La inteligencia artificial transformadora no es barata, y algunas empresas son todavía escépticas sobre los beneficios de estas inversiones digitales.

El equipo ejecutivo ha de explorar tres escenarios, cada uno con un perfil de beneficio y riesgo diferente. Los tres escenarios son:

• Defender la posición. Invertir en victorias rápidas que mejoren tareas específicas, como asistentes de productividad como Microsoft Copilot y Google Workspace. Estas herramientas de IA cotidianas tienen una barrera de costo baja para la adopción, pero no darán a su organización una ventaja competitiva sostenible. Esta es la parte de la jugada que le permite simplemente mantenerse al día con el status quo.

• Extender la posición. Invertir en aplicaciones personalizadas que proporcionen una ventaja competitiva. Por ejemplo, en gestión de patrimonios, los asesores financieros asistidos por IA generativa pueden ayudar a crear planes financieros personalizados y gestionar su cartera. En este escenario, las inversiones en IA son más costosas y tardan más en tener un impacto, pero también son más valiosas.

• Revolucionar la posición. Invertir en la creación de nuevos productos y modelos de negocio impulsados por IA. Estas inversiones son más caras, arriesgadas y requieren mucho tiempo, pero tienen un potencial de recompensa enorme y podrían transformar tu industria.

Como punto de partida para definir la ambición de IA de tu organización, considera tres arquetipos comunes:

• Los interesados en la productividad utilizan la IA para aumentar y automatizar sus procesos administrativos y operativos. Principalmente operan en el lado izquierdo del Radar de Oportunidades de IA, pero pueden usar la IA de manera cautelosa para capacidades centrales específicas.

• Algunas organizaciones quieren usar la IA internamente pero no desean exponer la IA frente a los clientes. Operan en la mitad inferior del Radar de Oportunidades.

• Algunas organizaciones más osadas operan ya en los cuatro cuadrantes del Radar de Oportunidades de IA.

Por último, una vez establecida la ambición IA de tu empresa, has de asegurarte que la organización esta preparada para la IA, en tres dimensiones:

1. Establecer principios para dirigir el uso de la IA en la organización.

2. Asegurar que los datos estén listos para IA, lo que significa que estén gobernados éticamente, sean seguros, libres de sesgo, enriquecidos y precisos.

3. Implementar una seguridad adecuada para la IA, incluyendo la creación de políticas de uso aceptable para soluciones públicas de IA generativa.

PARTE 3 - EMPEZAR PEQUEÑO

Si bien adoptar una mentalidad de 'Pensar en Grande' al empezar es esencial, implementar estas ideas comienza con pasos pragmáticos y manejables. Esto nos lleva al enfoque de 'Empezar Pequeño’, donde las organizaciones inician su viaje de inteligencia artificial con proyectos piloto enfocados y de alto impacto, sentando una base sólida para la escalabilidad y el éxito futuro.

Este enfoque sirve a varios propósitos:

Generación de impulso y compromiso: Los proyectos piloto, especialmente los exitosos, crean un efecto dominó dentro de la organización. Demuestran los beneficios tangibles de la tecnología IA, fomentando la confianza y el compromiso del liderazgo y de las partes interesadas. Esto es particularmente importante cuando la visión es audaz, pero el camino para alcanzarla no está claro para todos los involucrados. Los éxitos tempranos sirven como prueba de que la inversión en nuevas tecnologías puede conducir a mejoras tangibles y medibles.

Mitigación de riesgos: Comenzar pequeño permite a las organizaciones hacer probaturas limitando el riesgo. Si un proyecto piloto no produce los resultados esperados, la escala del ‘fracaso’ está contenida y las lecciones aprendidas pueden ser muy valiosas para emprendimientos futuros. Este enfoque es vital para evitar fallos costosos y de alto perfil que podrían retrasar toda la iniciativa.

Aprendizaje y refinamiento: Los pilotos son excelentes oportunidades para el aprendizaje y el refinamiento. Proporcionan datos e ideas del mundo real que no se pueden obtener de escenarios hipotéticos o proyecciones. Este aprendizaje retroalimenta el proceso estratégico, ayudando a refinar la aplicación tecnológica, mejorar las estrategias de implementación y alinearse mejor con los objetivos comerciales.

Criterios de elección de Proyectos Piloto de IA

Seleccionar pilotos de alto impacto significa centrarse en resultados medibles, lo cual es crucial para las organizaciones que buscan integrar eficazmente tecnologías emergentes.

Aquí proponemos un decálogo para guiar este proceso:

1. Alineación con los objetivos estratégicos: el piloto debe contribuir directamente a los objetivos estratégicos de la organización, como mejorar la experiencia del cliente, aumentar la eficiencia operativa o impulsar la innovación.

2. Equilibrio entre los factores principales de (cualquier) proyecto con nuevas tecnologías: Viabilidad (Inversión) vs Valor (Retorno)

3. Patrocinio ejecutivo: identificar a un ejecutivo respetado y dispuesto que pueda respaldar el piloto. Su apoyo puede ser decisivo para obtener la aceptación organizativa y mostrar el impacto del piloto.

4. Viabilidad y Escalabilidad: evaluar la viabilidad técnica y de recursos del piloto. Debería ser desafiante pero alcanzable y tener el potencial de escalar según el éxito.

5. Resultados medibles: definir métricas SMART claras y cuantificables para el éxito. Estas podrían incluir métricas como mejora de eficiencia, reducción de costos, aumento de ingresos, reducción del riesgo o mayor satisfacción del cliente.

6. Visibilidad e influencia: elegir pilotos visibles dentro de la organización y que puedan influir en percepciones y actitudes más amplias hacia la adopción de tecnología.

7. Potencial para “victorias rápidas”: priorizar pilotos que puedan ofrecer resultados rápidos y visibles. Los éxitos tempranos pueden generar impulso y construir confianza en la tecnología.

8. Mitigación de riesgos: considerar los riesgos potenciales asociados con el piloto y planificar la mitigación de estos riesgos. Esto incluye evaluar el impacto de posibles fracasos y tener planes de contingencia.

9. Compromiso de los “stakeholders”: involucrar a los interesados relevantes en el proceso de selección del piloto. Sus perspectivas pueden ayudar a identificar áreas donde la tecnología puede tener el mayor impacto.

10. Por último, y extremadamente importante, la disponibilidad, calidad y relevancia de los Datos: asegurar datos de cantidad y calidad suficiente para respaldar el piloto, especialmente en proyectos impulsados por IA.

Estos criterios crean un marco para la identificación de problemas u oportunidades específicos y bien definidos y consensuados dentro de la organización. Son los famosos Casos de Uso.

Ámbito de los Proyectos Piloto de IA

La siguiente preguntaes ¿cuáles con los mejores casos de uso en los que centrarse en los primeros piloto?. Esta pregunta se responde en dos niveles:

1. Alineamiento con la Ambición IA

Es muy importante que los primeros pilotos caigan en el centro de la “Ambición IA” que la organización ha elegido (ver el capítulo anterior ‘Pensar en Grande’). Es decir, si una organización prima la eficiencia operativa sobre la experiencia de cliente, es allí donde hay que identificar los primeros casos de uso y proyectos asociados

2. Exploración de la ‘Rueda de Valor IA’

Mientras que los factores financieros suelen estar muy presentes para los ejecutivos de la empresa, existen otras dimensiones no-financieras o de valor tecnológico que también pueden ser un gran comienzo para los primeros pilotos IA. Una concienzuda exploración de la ‘Rueda de Valor IA’ ayuda a desvelar estas áreas más escondidas de valor.

A medida que una organización identifica casos de uso razonables para aplicar la IA, y realiza pilotos y proyectos para implementarla, la siguiente cuestión emerge naturalmente: ¿cómo escalar de una manera eficiente estos pilotos? ¿acaso se ha de perpetuar la fórmula basada en casos de uso ad infinitum?. El coste asociado parecería descabellado… Esta cuestión se ha erigido como el Santo Grial en las organizaciones más avanzadas en la implantación de la IA, y la trataremos en el siguiente capítulo de esta serie.

PARTE 4 – ESCALAR

La adopción de la inteligencia artificial (especialmente la generativa – Gen AI) ha pasado de la fase de novedad a enfrentar desafíos más realistas. La adopción de Gen AI ha pasado de la fase de luna de miel a una etapa más madura, donde el desarrollo de pilotos es relativamente sencillo, pero llevar estos a capacidades a escala es un reto considerable. Solo el 11% de las empresas han logrado adoptar Gen AI a escala, según investigaciones recientes de tendencias tecnológicas.

En un reciente artículo de McKinsey "Moving past gen AI’s honeymoon phase: Seven hard truths for CIOs to get from pilot to scale" se dan claves muy útiles para escalar la Gen AI, que ahora resumimos.

1. Eliminar el ruido y centrarse en la señal

Las empresas deben ser sinceras sobre qué pilotos han funcionado y cuáles no, enfocándose en resolver problemas comerciales relevantes y materiales. Aunque muchos líderes reconocen la necesidad de ir más allá de los pilotos, en la práctica, a menudo continúan experimentando con tecnologías sin un propósito claro. Este enfoque puede llevar a una proliferación de "tecnología en busca de una solución", donde las herramientas se desarrollan sin un problema concreto que resolver. Es crucial identificar y priorizar pilotos técnicamente viables y con un impacto significativo en el negocio, evitando la tentación de seguir múltiples direcciones simultáneamente sin una estrategia clara.

2. Se trata de cómo encajan las piezas, no de las piezas en sí

La verdadera dificultad no reside en los componentes individuales de un motor de Gen AI, sino en cómo se integran de manera segura y efectiva. Un ejemplo clave es la orquestación mediante un gateway API, que autentica usuarios, asegura el cumplimiento y enruta solicitudes a los modelos adecuados, gestionando eficientemente la interacción entre distintos componentes. Este enfoque permite una integración fluida y escalable, esencial para cualquier implementación exitosa de Gen AI. Sin una integración adecuada, los proyectos pueden estancarse, incapaces de escalar más allá de los pilotos iniciales.

3. Controlar los costes

Los costes asociados con las aplicaciones de Gen AI pueden escalar rápidamente. Los modelos representan solo el 15% del esfuerzo total de un proyecto típico, siendo el cambio organizacional el mayor costo. La gestión del cambio requiere una inversión significativa en formación y adaptación, y los costos de ejecución pueden ser considerablemente mayores que los de construcción. Sin un control adecuado de estos costes, los proyectos pueden volverse insostenibles financieramente. Las herramientas adecuadas y una gestión de costes proactiva pueden reducir estos gastos de manera significativa, asegurando la viabilidad económica del proyecto a largo plazo.

4. Controlar la proliferación de herramientas y tecnología

La adopción de Gen AI a gran escala se ve complicada por la proliferación de infraestructuras, modelos de lenguaje grandes (LLMs) y herramientas. Reducir la complejidad tecnológica seleccionando solo aquellas herramientas que mejor sirvan al negocio es crucial. Además, aprovechar los servicios en la nube disponibles permite mantener la flexibilidad y escalar de manera eficiente. La estandarización y simplificación de la infraestructura tecnológica no solo facilita la gestión, sino que también mejora la eficiencia operativa, permitiendo un enfoque más estratégico en la implementación de Gen AI.

5. Crear equipos que puedan generar valor, no solo modelos

Escalar Gen AI requiere un equipo multifuncional con una variedad de habilidades. No solo se necesitan expertos en la construcción de modelos, sino también en asegurar que estos modelos generen el valor esperado de manera segura. Las empresas exitosas involucran a los usuarios finales desde el principio y capacitan a sus mejores empleados en la formación de modelos. La colaboración y la formación continua son esenciales para construir equipos capaces de escalar soluciones de gen AI y maximizar su impacto en el negocio.

La escasez de talento especializado en Gen AI es un desafío significativo. Las empresas deben invertir en la capacitación y el desarrollo de sus empleados, así como en la contratación de expertos externos (¡como los de Connecthink!). Colaborar con universidades y centros de investigación puede ser otra estrategia útil para acceder a talento emergente.

6. Buscar los datos correctos, no los perfectos

Gestionar eficazmente los datos es crucial para la escalabilidad de Gen AI. Identificar los datos más relevantes y asegurar su calidad a lo largo del tiempo es fundamental. La rapidez para escalar depende en gran medida de esta gestión eficiente de datos. No se trata de tener datos perfectos, sino de tener datos adecuados y bien gestionados que permitan la implementación efectiva de soluciones de Gen AI. La capacidad de gestionar y enriquecer datos de manera continua es un diferenciador clave en la adopción exitosa de la IA a gran escala.

7. Reutilizar o perder

El código reutilizable puede aumentar la velocidad de desarrollo de casos de uso de IA entre un 30% y un 50%. La reutilización de componentes de soluciones es esencial para la eficiencia y escalabilidad. Sin una estrategia de reutilización, las empresas pueden encontrar que sus esfuerzos se duplican innecesariamente, ralentizando el progreso y aumentando los costos. La creación de bibliotecas de componentes reutilizables y la promoción de prácticas de desarrollo modulares son pasos clave para maximizar la eficiencia y efectividad de las implementaciones de Gen AI.

La transición de gen AI de proyectos piloto a capacidades a gran escala requiere una estrategia clara y enfocada, con una gestión efectiva de costes, integración de componentes y equipos bien capacitados. Las empresas deben centrarse en los casos de uso que realmente impactan el negocio y gestionar sus datos y costos de manera efectiva para lograr el éxito. La orquestación de soluciones gen AI y la automatización de extremo a extremo son fundamentales para escalar con éxito y generar valor comercial significativo.