El auge de la inteligencia artificial enfrenta desafíos. Las organizaciones están teniendo dificultades para convertir sus inversiones en IA en fuentes de ingresos confiables, y muchas empresas encuentran que la IA generativa es más compleja de implementar de lo que esperaban. Las startups del sector de la IA a menudo están sobrevaloradas y el interés del consumidor está disminuyendo. Incluso McKinsey, que pronosticó 25.6 billones de dólares en beneficios económicos gracias a la IA, ahora afirma que las empresas pueden necesitar cambios organizativos significativos para aprovechar todo el potencial de la IA.
Antes de apresurarse a reestructurar, los líderes deben revisar los principios fundamentales. En IA, como en cualquier campo, la creación de valor comienza con el establecimiento de un ajuste entre producto y mercado: comprender la demanda y seleccionar las herramientas adecuadas para la tarea.
En el actual panorama de la IA, la prisa por aplicar la tecnología a todos los problemas posibles resulta en una plétora de productos que a menudo carecen de uso práctico o incluso pueden ser perjudiciales. Por ejemplo, un chatbot gubernamental aconsejó erróneamente a los dueños de negocios de Nueva York despedir a empleados que reportaron acoso, y servicios como TurboTax y H&R Block lanzaron bots que proporcionaban orientación incorrecta la mitad del tiempo.
El problema no radica en la inadecuación de las herramientas de IA o en la capacidad organizativa; es similar a utilizar un martillo para cocinar panqueques. Para obtener verdaderamente valor de la IA, debemos concentrarnos en los problemas específicos que queremos resolver.
La Falacia Furby
La IA tiene una tendencia única a eludir los procesos establecidos para lograr un ajuste entre producto y mercado. Herramientas como ChatGPT pueden dar la ilusión de comprensión, llevando a los usuarios a sobreestimar su sofisticación—un eco de la "falacia Furby". Cuando aparecieron los Furbys a principios de los años 2000, muchos, incluidos funcionarios de inteligencia, creyeron erróneamente que los juguetes aprendían de los usuarios, cuando en realidad solo ejecutaban respuestas programadas.
Esta antropomorfización se extiende a los modelos de IA, donde podemos atribuirles erróneamente intuición. Esta mala comprensión elude la tarea crucial de definir claramente nuestros objetivos. Conocido en informática como el "Problema de Alineación", ilustra que, a medida que los modelos de IA avanzan, articular instrucciones precisas se vuelve cada vez más difícil, con consecuencias potencialmente significativas. Si se desvían, una IA poderosa podría optimizar erróneamente resultados no deseados.
El Problema de Alineación subraya la necesidad de establecer un ajuste entre producto y mercado en las aplicaciones de IA. Debemos resistir la tentación de pasar por alto detalles complejos, articulando en cambio nuestros requisitos de manera clara. Solo así podemos crear herramientas de IA que generen valor real.
Regreso a lo Básico
Los sistemas de IA no pueden navegar de forma autónoma el ajuste entre producto y mercado; es nuestra responsabilidad como líderes y tecnólogos abordar con precisión las necesidades del cliente. Esto implica cuatro pasos críticos—algunos tradicionales, otros adaptados a las particularidades del desarrollo de IA:
1. Comprender el Problema: Muchas empresas concluyen erróneamente que su problema principal es la falta de IA. Es fundamental definir el problema aparte de la tecnología para determinar si la IA es una solución adecuada.
2. Definir el Éxito del Producto: Articular claramente qué constituye el éxito para su solución. Este paso implica entender las compensaciones, como si enfocarse en la fluidez o la precisión en las respuestas de la IA.
3. Elegir su Tecnología: Con un objetivo claro en mente, colabore con ingenieros y diseñadores para determinar las mejores tecnologías. Considere diversos modelos de IA, el uso de datos, el cumplimiento normativo y los riesgos de reputación desde el principio del proceso.
4. Probar y Reprobar su Solución: Ahora puede comenzar el desarrollo. Muchas empresas apresuran este paso, lo que lleva a productos mal concebidos. Un enfoque en el ajuste entre producto y mercado desde el principio fomenta un enfoque estructurado, permitiendo mejoras iterativas para abordar verdaderos desafíos.
Suponer que cualquier aplicación de IA generará automáticamente valor es un concepto erróneo común. Las organizaciones que implementan la IA de manera desordenada pueden encontrar éxito ocasionalmente, pero la mayoría de los intentos generará poco beneficio.
Para desbloquear el pleno potencial de la IA, primero debemos definir objetivos claros antes de dirigir nuestros esfuerzos hacia su consecución. Este proceso puede requerir soluciones que no utilicen IA o implementaciones más simples que aborden efectivamente las necesidades del usuario.
Independientemente del tipo de producto de IA que se desarrolle, establecer un ajuste entre producto y mercado y alinear las tecnologías con los requerimientos del cliente es fundamental para generar valor. Las empresas que tienen éxito en este ámbito emergerán como líderes en el panorama de la IA.