Compartimos este interesante artículo escrito por Eric Lamarre dónde explica cuáles son los pasos que debe seguir una organización antes de implementar una tecnología como la IA generativa: Empecemos por reconocer dos cosas: una, que aún es pronto para la IA generativa y que el revuelo que se ha formado en torno a ella casi no tiene precedentes; y dos, que ese revuelo podría ser muy real. El impacto de la IA generativa podría ser revolucionario. El potencial de la IA generativa parece crecer día a día. Gracias a su capacidad para crear contenidos, acelerar los procesos de desarrollo de nuevos productos y servicios y generar código, los grandes modelos lingüísticos que impulsan la IA generativa pueden tener un profundo impacto en nuestra forma de trabajar. Sólo en el ámbito de la salud, podría ayudar a descubrir más medicamentos, realizar ensayos clínicos más eficientes para esos medicamentos y mejorar la experiencia del paciente (piense en chatbots mucho mejores). A medida que esta tecnología se extiende, casi puede parecer que otorga superpoderes a los seres humanos, o al menos habilidades que nunca antes habían tenido. Es probable que asistamos a un cambio en la productividad de los trabajadores sin precedentes.

¿Cómo aplicar la IA generativa?

El riesgo es, sin embargo, a menudo que las empresas pierden el foco ante todas estas increíbles opciones. Ya hemos visto antes esta película: aparece una tecnología genial, las empresas se apresuran a aprovecharla lanzando innumerables proyectos piloto y, aunque puede que haya algunos éxitos aislados, el valor final es decepcionante. Es importante probar la IA generativa para entender lo que puede hacer, y ya estamos descubriendo que promete bastante. En nuestra reciente investigación en McKinsey, hemos observado una mejora de la productividad superior al 25% entre nuestros desarrolladores de software cuando utilizan Copilot, una herramienta de desarrollo de IA generativa. Pero el siguiente nivel de valor vendrá de una aplicación centrada de la tecnología en oportunidades significativas. Como sostenemos en nuestro libro, Conectado de nuevo: La guía McKinsey para superar la competencia en la era digital y de la inteligencia artificial, existe un delicado equilibrio entre incorporar tecnologías que pueden generar un valor significativo y disipar los recursos y la atención persiguiendo cada tecnología prometedora que surge. Muchas empresas aún no han logrado avances significativos en la aplicación generalizada de la IA. Nuestra investigación más reciente sugiere que el 50% de las empresas ni siquiera han desarrollado una sola aplicación de IA. Como ocurre con cualquier tecnología, la capacidad de extraer valor a escala de la IA generativa requiere que las empresas realicen cambios fundamentales en la organización y el funcionamiento, es decir, que reconfiguren su forma de trabajar. Un buen punto de partida es comprender en profundidad qué es lo que mejor hace la IA generativa. Este conocimiento profundo es crucial para averiguar cómo crear valor. Por ejemplo, ¿cuál es la propuesta de valor de una empresa cuando la IA generativa puede acceder al conocimiento publicado en todo el mundo? ¿Qué otros modelos analíticos pueden combinarse con la IA generativa para obtener un valor revolucionario? A nivel de modelo operativo, las empresas tendrán que evolucionar para dar cabida a un equipo ágil dedicado a la IA generativa que pueda garantizar el desarrollo y uso responsables de estas soluciones. Es probable que esto implique una colaboración más estrecha con expertos jurídicos, en privacidad y gobernanza, así como con expertos en operaciones de aprendizaje automático (MLOps) y pruebas para entrenar y realizar un seguimiento de los modelos. En cuanto a las personas, se necesita un trabajo masivo de ingeniería de ciencia de datos para formar a las personas sobre cómo plantear a los grandes modelos lingüísticos las preguntas adecuadas y cómo utilizar la tecnología en flujos de trabajo y análisis. Las empresas tendrán que determinar qué competencias se necesitan y en qué deben trabajar los empleados. La arquitectura tecnológica tendrá que adaptarse para incorporar las capacidades de la IA generativa a los flujos de trabajo end-to-end, y después se podrá formar (y reeducar) a las personas sobre cómo trabajar con ellas. Tendrá que haber una evolución en múltiples niveles de la estructura tecnológica -capa de datos, capa de modelos, interfaz UX- para garantizar una integración adecuada de este tipo de soluciones. Las operaciones de MLO presentan un área de especial interés. Las mejoras masivas en las herramientas y tecnologías de ML han acelerado el ciclo de vida de las aplicaciones y han permitido un escalado coherente y fiable de la IA en todos los ámbitos empresariales. Pero un MLOps eficaz requiere centrarse en todo el conjunto de actividades de desarrollo de aplicaciones en lugar de centrarse únicamente en los propios modelos. Estimamos que hasta el 90% de los fracasos en el desarrollo de ML no se deben al desarrollo de modelos deficientes, sino a las malas prácticas de producción y a los problemas de integración del modelo con los datos de producción y las aplicaciones empresariales. Esto será igual de cierto en el caso de los modelos de IA generativa, y un reto especial en las grandes empresas actuales, que ya están ejecutando y gestionando hasta 500 modelos de IA. La IA generativa es una tecnología increíble, pero sigue siendo sólo una tecnología. Aprovechar esa tecnología exige que las empresas se reconfiguren para poder desarrollar soluciones rápidamente, mejorar la experiencia del cliente, acelerar la innovación y reducir los costes unitarios.