La adopción de IA en los negocios alcanza un punto de inflexión. ¿Que sigue? Las empresas están viendo un valor cada vez mayor en la inteligencia artificial, pero ahora es más vital que nunca invertir en sistemas operativos y de infraestructura que puedan reaccionar y adaptarse a los cambios de manera sostenible.
Por Roey Mechrez
Este artículo fue traducido de nuestra edición en inglés.
Las opiniones expresadas por los colaboradores de Entrepreneur son personales
Lograr el éxito en la adopción de IA nunca iba a ser fácil, pero los últimos años han traído un progreso significativo, con McKinsey & Company informando que muchas empresas están comenzando a ver el valor, incluido el impacto en los ingresos. En pocas palabras, es posible que estemos entrando en una nueva fase en el viaje de la inteligencia artificial.
En 2020, en realidad "no hubo un aumento en la adopción de IA", según The State of AI de McKinsey (publicado en noviembre de ese año); más bien, las empresas estaban "capturando valor de la IA a nivel empresarial" en términos de ingresos y reducciones de costos, y algunas incluso atribuyeron el 20 % o más de sus ganancias antes de intereses, impuestos, depreciación y amortización (EBITDA) a la IA.
Después del brote de Covid-19, PwC descubrió que el 52 % de las empresas aceleraron sus planes de adopción de IA, y el 86 % dijo que se estaba convirtiendo en una "tecnología convencional" en 2021. Muchas empresas ahora se están embarcando en viajes de IA, pero hay una diferencia esta vez: no van a hacerlo a ciegas. Ahora es una tecnología más familiar y, en lugar de ser un "objeto brillante y reluciente", se está volviendo fundamental para las organizaciones.
El problema con la adopción de IA
El viaje para lograr el valor total de la IA será más largo y complicado que en la mayoría de las transformaciones tecnológicas. Los datos, la tecnología y el talento involucrados tendrán un impacto en varias funciones en su organización, así como en aquellas con las que se asocia.
Su adopción es un proceso continuo porque la función de IA, así como los datos que se le alimentan, deben monitorearse a lo largo de varias fases de desarrollo, implementación y ajustes continuos. El "aprendizaje" automático hace exactamente lo que dice en la lata: a medida que se agregan y cambian datos, la IA aprende de esta información y cambia. Por lo tanto, se necesitan ajustes y mejoras continuas.
A medida que las empresas comienzan a comprender y valorar la IA, los desafíos clave hasta ahora han estado relacionados con la implementación, pero estamos comenzando a ver cómo se resuelven sistemáticamente. Ahora también tenemos algunos casos de éxito y buenos ejemplos para que las empresas aprendan y absorban las mejores prácticas, pero no se detiene ahí.
Relacionado: 5 cosas que los líderes empresariales deben saber sobre la adopción de IA a escala
Etapas de adopción
Tradicionalmente (si realmente puede usar esa palabra en este contexto), una solución de IA tiene tres etapas: planificación, construcción o modelado y puesta en producción. Ahora, es momento de enfocarse en una cuarta etapa, y quizás la más crítica: la operación. Aquí es donde suponer que los datos estáticos en el laboratorio causan problemas, porque las soluciones de IA del mundo real tendrán que lidiar con datos dinámicos, que pueden cambiar y cambiar, por lo que la estabilidad y la solidez son vitales para que los equipos de ingeniería las consideren. La fase de operación también es un momento clave para garantizar la estabilidad.
Las soluciones de IA estables y sostenibles requieren más que un modelo en producción: en la fase de operación, los componentes clásicos deben incluir capacidades de monitoreo, observabilidad, tableros, mecánica de retroalimentación, anotación de datos y más. En etapas más avanzadas, el equipo operativo debe pensar en volver a entrenar los modelos e implementarlos en el entorno de producción, así como en la detección avanzada de datos, el manejo del ruido y la retroalimentación bidireccional entre la IA y el usuario.
la siguiente fase
La etapa operativa será crítica en los próximos dos a cinco años. Aquellas empresas que ya han planificado, construido e implementado modelos de IA exitosos ahora deben invertir en mantenimiento y operación. Solo con comentarios en vivo, datos dinámicos, pruebas continuas y crecimiento en el entorno del mundo real puede seguir teniendo un impacto.
Relacionado: Qué tienen en común los estafadores y los 'cisnes negros', cómo la IA puede mitigar los efectos de ambos
En el futuro, habrá una creciente necesidad de herramientas, productos, métodos y, lo que es más importante, personas, para operar la IA. Esto debe analizarse en todas las organizaciones para que los equipos puedan reaccionar a los cambios de datos de manera escalable. Reunir a todo un equipo de ciencia de datos para un proyecto de tres meses cada vez que hay un cambio en los datos simplemente no es sostenible; después de todo, el propósito de la adopción de IA es automatizar procesos y hacer la vida más fácil, no usar más mano de obra y causar más problemas.
Nos mudamos a un mundo en el que no debería tomar 18 meses llevar la IA a producción y operarla no debería ser una molestia. ¿La solución? Invertir en operación e infraestructura y construir un conjunto de operaciones que pueda reaccionar a los cambios de manera sostenible.
