En los últimos años, la llamada IA "clásica" se ha desarrollado rápidamente gracias a los amplios y medibles beneficios generados. Este éxito es especialmente evidente en industrias, donde herramientas de aprendizaje automático han sido probadas en diversas situaciones. Sin embargo, con la reciente notoriedad de la inteligencia artificial generativa (GenAI), el panorama ha cambiado: la "contribución creativa" de esta tecnología, viabilizada por la reproducción de comportamientos humanos, sugiere un enorme potencial. Pero, al mismo tiempo, viene acompañada de dilemas.
1. ¿Ahora o después?
Muchos líderes están preocupados por el aumento de la competencia impulsado por GenAI, especialmente en cuanto a la aparición de nuevos competidores en sus mercados. Muchos se sienten tentados a implementar esta tecnología, esencialmente disruptiva, sin demora, viéndola como una oportunidad para mejorar la rentabilidad del negocio principal y explorar nuevas fuentes de creación de valor. Sin embargo, es necesario estar atento a los riesgos asociados a un cambio tan significativo. Otros, más cautelosos, temen "choques disruptivos" que puedan amenazar sus organizaciones e incluso sus modelos de negocio.
2. ¿Transformación digital tradicional o revolución?
Este es el principal dilema que enfrentan los líderes interesados en adoptar GenAI: ¿continuar con una transformación digital "estándar", acumulando casos de uso, o desencadenar una transformación mucho más profunda, que impacte a todas las áreas de la empresa en sinergia con el departamento de TI?
La segunda opción implica, necesariamente, educar a los equipos —y a la alta dirección, en particular— para superar los temores asociados a la IA. Por ejemplo, el comité ejecutivo de una gran empresa automotriz participó en dos días de capacitación, en los cuales sus miembros incluso aprendieron a programar en Python. Otro requisito previo es la creación de bases de datos de alta calidad que permitan el intercambio de datos fuera de los silos habituales. Con la creación de centros de competencias centrales, los datos recolectados pueden ser intensamente explorados, permitiendo la "fertilización cruzada" de prácticas al crear casos de uso interdepartamentales.
3. ¿Solo o acompañado?
Mientras algunos gestores optan por llevar a cabo su "transición hacia IA" utilizando exclusivamente recursos internos, otros prefieren contar con el apoyo de estructuras especializadas con experiencia en toda la cadena de transformación: identificación de necesidades, implementación de soluciones, análisis de resultados, gestión de cambios, entre otros. Sensibilizar a los equipos sobre los peligros asociados a la IA y sobre el respeto a los principios éticos es fundamental, tanto para advertir sobre los diversos sesgos y fallos de la IA como para alentar a los gestores a elegir soluciones soberanas y económicas.
4. ¿Presupuesto estándar o línea dedicada?
Las primeras iniciativas de inteligencia artificial, en la mayoría de los casos, se realizan dentro del marco de los presupuestos estándar de TI. Sin embargo, a medida que aumenta el número y la escala de los proyectos, los líderes se sienten tentados a adoptar una línea separada, permitiendo que los proyectos de IA se asignen a cada departamento. Por ejemplo, una empresa de servicios industriales que opera en 45 países adoptó un presupuesto central al tiempo que realiza iniciativas educativas para explicar la ecuación económica de la IA a sus equipos.
5. ¿Profusión de iniciativas o gestión central?
La gobernanza de estas herramientas es una cuestión estratégica. La gestión puede optar por dar a las unidades de negocio gran libertad para experimentar, lo que les permitirá avanzar rápidamente sin movilizar recursos adicionales. También puede establecer un comité para dar directrices a las áreas de negocio y establecer prioridades. Una importante empresa del sector energético, que utiliza inteligencia artificial para temas tan variados como la fijación de precios en estaciones de servicio o la gestión de plantas solares y eólicas, ha creado una "fábrica digital" centralizando todos los procesos de IA de la empresa.
6. ¿"Hacer o comprar?"
Una cuestión bastante común, que generalmente dificulta las decisiones, es si lo mejor sería utilizar soluciones externas basadas en casos de uso genéricos, que permiten una implementación rápida, o si el camino correcto sería optar por soluciones personalizadas. Aunque la segunda opción podría, en teoría, garantizar mejores resultados, se enfrenta a altos costos y a la dificultad de medir el retorno de los casos de uso.