El camino que tienen por delante los líderes de TI para convertir la promesa de la inteligencia artificial (IA) generativa en valor comercial sigue siendo empinado y desalentador, pero los componentes clave de la hoja de ruta de la IA generativa (datos, plataforma y habilidades) están evolucionando y definiéndose mejor.
Esa fue la conclusión clave del panel Qué viene después para IA generativa en las empresas que tuvo lugar en el marco del evento Big.AI@MIT, moderado por Lan Guan, CAIO en Accenture.
Guan, junto con líderes de IA de S&P Global y Corning, analizaron los enormes desafíos que implica trasladar los modelos de IA generativa desde la prueba de concepto a la producción, así como las bases necesarias para que los modelos de IA generativa sean verdaderamente valiosos para el negocio.
Es una posición en la que se encuentran muchos CIO, ya que Guan señaló que, según una encuesta de Accenture, menos del 10% de las empresas tienen modelos de IA generativa en producción.
“What’s Next for GenAI in Business” panel at last week’s Big.AI@MITevent, moderated by Lan Guan, CAIO at Accenture
Accenture
“El 98% de los líderes empresariales dicen que quieren adoptar IA, ¿no es cierto?, pero muchos de ellos simplemente no saben cómo hacerlo”, afirmó Guan, quien actualmente está trabajando con una gran aerolínea en Arabia Saudita, una gran compañía farmacéutica y una empresa de alta tecnología para implementar modelos de IA generativa internamente.
Lamentablemente, a pesar de las lecciones aprendidas con esfuerzo sobre lo que funciona y lo que no, las arquitecturas de referencia probadas bajo presión para la IA generativa (lo que más desean los ejecutivos de TI) siguen siendo pocas y distantes entre sí, dijo.
Progreso y desafíos
El trabajo de Accenture con Saudi Airlines implica un modelo de “compañero de viaje” que es mucho más que una agencia de viajes en línea, un agente de reservas o una guía de viajes, explicó Guan. La aerolínea, que compite con Qatar Airlines, cuenta con la inteligencia artificial de Agentic y un LLM para aumentar sus reservas y expandir su participación en el creciente mercado, dijo, y agregó que el modelo, que ya lleva seis meses en funcionamiento, ha atraído a 3 millones de visitantes y ha gestionado algunas reservas, pero su valor es mucho más estratégico.
“Su principal objetivo es cambiar la percepción de la marca y ofrecer una mejor experiencia”, afirmó. “No puedo decir que tenga muchos ejemplos como este”.
Soumya Seetharam, directora de TI de Corning, dijo que el fabricante ha estado inmerso en el proceso de transformación de los datos durante varios años y que más del 70% de los datos de sus transacciones comerciales se incorporan a una plataforma de datos. Pero se trata únicamente de datos estructurados, enfatizó.
“Nuestro mayor desafío, honestamente, son los datos no estructurados”, dijo Seetharam, señalando que Corning ahora debe “averiguar cómo categorizar [los datos no estructurados] y presentarlos en un formato que pueda ser útil”.
Bhavesh Dayalji, CAIO de S&P Global, agregó que integrar todo tipo de estructuras de datos en modelos de IA generativa es un desafío. Para ello, la firma de información y análisis financiero está desarrollando API y examinando todos los métodos para “conectar sus datos a modelos de memoria de gran tamaño”.
S&P Global también ha creado conjuntos de evaluación para probar no solo los modelos de IA generativa en busca de alucinaciones, sino también para garantizar que exista un método común para evaluar los resultados y la eficacia. Como expertos en servicios financieros y mercados de materias primas, deben existir métodos de evaluación estándar, afirmó.
“Luego, tenemos que llevarlo a la comunidad [de servicios financieros] en su conjunto para evaluar los modelos y soluciones [de IA generativa]”, dijo Dayalji, quien también es director ejecutivo de Kensho, el centro de innovación en IA de S&P Global. “Creo que, analizando los datos, podemos llegar a algún tipo de solución”.
Sigue una hoja de ruta
El jefe de IA de Accenture ofreció tres consejos clave para que los CIO quieran maximizar el ROI de la IA generativa, sin sucumbir a los fracasos del tipo “basura que entra, basura que sale”.
En primer lugar, hay que limpiar todos los datos corporativos y prepararlos adecuadamente para su uso en los modelos fundamentales de IA, dijo Guan a CIO.com durante una entrevista privada después del panel.
“No están limpiando sus datos”, afirmó, advirtiendo que, si bien muchos CIO están asumiendo el desafío de los datos, la mayoría no los están preparando adecuadamente para la IA generativa. “Los datos patentados son su mayor ventaja competitiva”.
En segundo lugar, dijo Guan, los CIO deben adoptar un “enfoque basado en plataformas” para el desarrollo y la implementación de IA. Las empresas pueden ejecutar cargas de trabajo de IA generativa en el mainframe, por ejemplo, pero la mayor parte de la actividad se ejecutará en la nube pública o en nubes privadas locales, dijo.
“Es hora de que realmente revisen su arquitectura empresarial actual en términos de datos e inteligencia artificial”, afirmó Guan.
“Un enfoque de IA basado en plataformas pone énfasis en la construcción de una base escalable y reutilizable que evolucione con la organización, en lugar de desarrollar soluciones costosas y aisladas para casos de uso individuales”, dijo Guan, apoyando la idea de que es necesario establecer estándares para probar los resultados de los modelos.
“Al identificar puntos en común en los casos de uso (como canales de datos, gestión de modelos y aplicaciones), la organización puede crear componentes compartidos que agilicen la implementación, reduzcan la redundancia y aceleren el tiempo de generación de valor para las soluciones de IA y la reinvención empresarial”.
Accenture ha desarrollado su propia refinería de IA: un enfoque basado en plataformas para la creación e implementación de modelos de IA generativa.
“En términos prácticos, AI Refinery es una arquitectura cognitiva, con inteligencia y contexto integrados, donde los agentes de IA pueden razonar, planificar y trabajar junto con los humanos para ejecutar tareas de forma dinámica”, afirmó Guan. “Mediante el uso de LLM, el sistema interpreta las intenciones humanas y se adapta en función de la experiencia, integrando el conocimiento organizacional para una mejor toma de decisiones”.
Por último, los CIO deben asegurarse de contar con un buen grupo de personal cualificado en IA y una serie de habilidades especializadas para construir e implementar modelos de IA generativa, aconsejó. La mayoría de los CIO no están mejorando las habilidades ni capacitando a los empleados con la suficiente rapidez, y la disponibilidad de una amplia gama de talentos es escasa, incluidos los científicos de datos y los ingenieros de software con habilidades de planificación de infraestructura de GPU.
Guan trabajó como científica de datos en Accenture hace seis años y comenzó a trabajar en habilidades de ingeniería de software, desarrollo de aplicaciones y planificación de infraestructura para prepararse para la IA generativa. Encontrar talento es “un desafío al que también me enfrento”, dijo Guan.
En la cumbre, una amplia gama de empresas emergentes y proveedores de soluciones de IA estuvieron presentes, mostrando soluciones que afirman resolver varios desafíos de IA que enfrentan los CIO y los CAIO. En un panel separado, los capitalistas de riesgo de New Technology Ventures y Underscore VC dijeron que los dólares de inversión para la innovación son abundantes, pero reconocen que el mercado todavía está en un ciclo de exageración.
Sin embargo, como señaló el moderador del panel de VC, la mayoría de los actores saben que la IA generativa es una tecnología transformadora.
“La gente reconoce lo tectónico que es este cambio… y se está sumando a él”, dijo Heidi Messer, VC y cofundadora de la startup de inteligencia artificial Collective[i], que ofrece un servicio de pronóstico financiero. “Tenemos que leer más allá del ruido y se vuelve complicado, pero en los próximos cinco o siete años se creará un valor [importante]”.
Mientras tanto, Dayalji de S&P dijo que las empresas deben pensar más allá de las habilidades especializadas en IA para visualizar todos los aspectos de los nuevos roles que se crearán como resultado de la interacción de los empleados con modelos de IA generativa y agentes de IA que manejen tareas mundanas.
“Seguimos capacitando a nuestros empleados y asegurándonos de que comprendan el impacto de la IA y en cómo desempeñan sus funciones”, afirmó. “En segundo lugar, ¿cómo les damos herramientas para que hagan un trabajo diferente e innoven?”.
