Capgemini Explora por qué los conceptos de prueba de IA generativa a menudo no logran captar interés.

Investigaciones recientes de Capgemini revelan un desafío significativo en todos los sectores: transformar pruebas de concepto de IA en soluciones funcionales en producción. Según Steve Jones, EVP de Negocios Basados en Datos e IA Generativa en Capgemini, esta demora se debe principalmente a problemas como los límites digitales, empleados digitales y datos de mala calidad.

Jones enfatizó: "Nos hemos vuelto demasiado cómodos con los datos deficientes. El mito más extendido en TI es la creencia de que solucionaremos los problemas de datos en el sistema de origen. Esta es una noción engañosa que las organizaciones se repiten constantemente." Comparó los datos con el petróleo, señalando que, así como el petróleo necesita refinamiento para ser útil, los datos también deben limpiarse y organizarse para ser efectivos. Con pronósticos que indican que el 50% de las decisiones comerciales estarán impulsadas por IA para 2030, especialmente en cadenas de suministro autónomas, los riesgos asociados con datos poco confiables son sustanciales.

“Los empleados digitales que toman decisiones no deberían esperar a tener datos limpios; eso es operativamente impráctico,” observó Jones. “En situaciones como vehículos autónomos o almacenes, los datos mal gestionados son simplemente inaceptables. Las organizaciones deben desarrollar un marco de gestión no solo para sus empleados humanos, sino también para la IA que opera dentro de sus equipos.”

Jones señaló que los modelos de lenguaje grandes (LLMs) pueden funcionar mal si carecen de acceso a datos operacionales precisos. Desafortunadamente, las empresas han creado históricamente una división entre sus procesos operativos y sus estrategias de gestión de datos.

Abordando los Desafíos de la Adopción de IA

Para cerrar esta brecha, las organizaciones necesitan un modelo operativo digital robusto. Esto implica definir claramente los problemas que buscan resolver digitalmente, identificar conjuntos de datos adecuados para la toma de decisiones y determinar cómo debe o no debe influir la IA.

“Si despliegas una IA poderosa para reducir la huella de carbono de una empresa sin límites, podría sugerir detener completamente las operaciones centrales, lo cual no es una estrategia viable,” explicó Jones. “La clave es asegurar que la IA funcione dentro de límites predefinidos alineados con los objetivos del negocio.”

Las organizaciones no se beneficiarán de un único sistema de IA que rija todas las operaciones debido a los altos riesgos involucrados. Las soluciones de IA deben adaptarse a funciones específicas. Por ejemplo, un bot de cobranza de deudas operará bajo un conjunto de regulaciones diferente a las de un bot de asesor de ventas. Muchas organizaciones luchan por avanzar más allá de las pruebas de concepto porque pasan por alto la importancia de abordar la IA desde una perspectiva de gestión empresarial, esperando en cambio una tecnología que solucione todos sus problemas.

Jones afirmó: “Nos aferramos a la idea de que la tecnología por sí sola resolverá nuestros problemas, pero la verdadera adopción requiere que las personas se comprometan con estas tecnologías.” Para una integración efectiva de la IA, las empresas deben definir modelos detallados para gestionar los riesgos operativos y cibernéticos mientras aseguran la responsabilidad.

Por ejemplo, un bot de asesor de ventas puede colaborar con varios sub-bots, cada uno con su propio conjunto de reglas. Sus esfuerzos colectivos pueden generar resultados comerciales significativos, pero sin límites operativos claros, el riesgo se intensifica. “Un control y responsabilidad efectivos nos permiten automatizar procesos que antes eran ingobernables,” dijo Jones. “Esto requiere un enfoque en la optimización de modelos de negocio en lugar de simplemente insertar IA en flujos de trabajo existentes.”

Priorizando el Cambio Organizacional para Escalar la IA

“Debemos priorizar el cambio organizacional sobre los avances tecnológicos,” afirmó Jones. “Mientras la tecnología evoluciona rápidamente en Silicon Valley, el desafío principal es la adopción empresarial y la adaptación del modelo.”

Para tener éxito, la arquitectura para la IA debe ser fundamentalmente diferente. Los datos deben ser fácilmente accesibles para los empleados digitales, en lugar de estar relegados al backend de las aplicaciones donde ocurren las transacciones.

Jones concluyó: “La baja tasa de transición de la prueba de concepto a la adopción total de IA surge porque las estrategias de datos actuales son inadecuadas. Los empleados digitales exigen un modelo operativo bien definido, y la mayoría de las organizaciones no están preparadas para este cambio. Es crucial que los líderes empresariales—que pueden no comprender completamente la tecnología—abracen la IA para asegurar su éxito y adaptarse a un mundo donde la IA influye de manera significativa en la toma de decisiones.”