Las empresas deben empezar a aprovechar sus datos propietarios y sistemas multimodelo para ofrecer soluciones más inteligentes y adaptadas al contexto que mejoren la eficiencia y permitan una automatización avanzada.
Una gobernanza sólida garantiza un uso fiable de la IA empresarial al proteger la información sensible, mejorar la calidad de los datos, prevenir errores costosos y fomentar la confianza y la fiabilidad.
Para generar valor tangible, la IA debe diseñarse para escalar de forma eficaz. Debe pasar de la experimentación al despliegue en toda la empresa, manteniendo el rendimiento, la precisión y el control de costes.
Han pasado más de dos años desde que OpenAI lanzó ChatGPT, dando inicio al ciclo definitivo de expectativas desmedidas (hype) en torno a la inteligencia artificial generativa (GenAI). Pero ¿qué piensan realmente las empresas sobre el potencial de la GenAI? ¿Y cómo la utilizan hoy?
Según una reciente encuesta realizada a 1.100 directivos técnicos y tecnólogos por Economist Impact, el 73 % de las empresas considera que la GenAI es fundamental para sus objetivos estratégicos a largo plazo.
De hecho, el 85 % ya utiliza la GenAI en al menos una función. Pese a este entusiasmo, la precisión sigue siendo un reto importante. Solo el 37 % de los directivos considera que sus proyectos de GenAI están listos para producción.
Para convertir las expectativas en resultados reales, las empresas deben abordar los factores que socavan la adopción y la confianza en la GenAI: precisión, riesgo y acceso. Con sistemas especializados basados en datos propietarios, junto con una sólida estrategia de gobernanza, las organizaciones pueden resolver los problemas de rendimiento de la IA y empezar a utilizar la tecnología de forma rentable para impulsar el crecimiento empresarial general.
Hacia una IA empresarial fiable
Estos son tres pasos que todo líder debería dar para lograr una IA empresarial más precisa y fiable en 2025.
1. Ir más allá de un único modelo
Tanto si un banco intenta detectar fraudes como si una farmacéutica busca acelerar el descubrimiento de fármacos, cada carga de trabajo empresarial tiene demandas específicas que no pueden resolverse con un único modelo de lenguaje de gran tamaño de carácter comercial. En cambio, las organizaciones están aprendiendo rápidamente que mejores datos conducen a una IA más inteligente.
Los datos propietarios de una empresa contienen información vital sobre las interacciones con clientes, empleados, socios y proveedores. Estos activos corporativos pueden entrenar modelos que comprendan la cultura, la jerga y los procesos internos de una organización. Estos sistemas proporcionan la inteligencia avanzada y la automatización que los empleados necesitan para hacer su trabajo mejor, más rápido y de forma más inteligente.
El uso de múltiples modelos y sistemas de IA contribuye después a mejorar el rendimiento general. Este tipo de arquitectura puede crear un sistema de agentes de IA empresariales que permite a los usuarios abordar consultas más complejas y dinámicas que los chatbots tradicionales, e incluso realizar acciones en nombre de los empleados. Por ejemplo, Mastercard recientemente lanzó un agente basado en IA para simplificar la incorporación de clientes.
El sistema automatiza tareas rutinarias, responde a preguntas fundamentales de los clientes y mejora continuamente gracias a la retroalimentación de expertos. Entrenado con los datos propietarios de Mastercard, garantiza respuestas precisas, actualizadas y específicas de Mastercard. Combinar agentes con un diseño con intervención humana (human-in-the-loop) de esta manera ayuda a las organizaciones a evitar el riesgo de una «mala IA».
2. Priorizar la gobernanza de datos
A medida que los datos se utilizan de forma más extensiva en toda la organización, las empresas deben facilitar y controlar el acceso a la información sensible. Una gobernanza unificada y eficaz da a las empresas la confianza necesaria para ampliar de forma selectiva el acceso a los datos, manteniendo al mismo tiempo herramientas de IA responsables que faciliten una mayor eficiencia organizativa y crecimiento.
La gobernanza de datos va más allá de establecer los permisos adecuados. Con los controles adecuados, la gobernanza puede ayudar a las organizaciones a reforzar la confianza en los sistemas de IA. Establecer estándares sobre los datos, políticas sobre cómo pueden utilizarse los activos y controles sobre los resultados contribuye a mejorar la calidad general y la fiabilidad de los datos.
Por ejemplo, con los protocolos de gobernanza adecuados, Chevy podría haber evitado que su agente de IA recomendara a clientes potenciales el Ford F-150 de la competencia.
3. Planificar la escalabilidad
Un sistema de IA que funciona bien en un entorno de pruebas puede no rendir igual cuando lo utilizan miles de empleados o millones de consumidores. Aunque las empresas pueden mantener los costes bajos al ejecutar la tecnología en un entorno controlado, por ejemplo, eso resulta mucho más difícil cuando toda la plantilla o la base de clientes tiene acceso a ella.
Como resultado, muchos proyectos de IA siguen estancados en la fase experimental, donde probablemente generan poco o ningún valor empresarial. Cuando la IA se despliega de forma eficaz a escala, puede ayudar a la organización a mejorar su estrategia empresarial actual y a perseguir con mayor rapidez nuevas oportunidades de mercado para impulsar el crecimiento general.
Por ejemplo, Grainger desarrolló un sistema de IA a medida para ayudar a los equipos de servicio a navegar y gestionar los más de 2,5 millones de productos del distribuidor de equipos de fabricación industrial. Ahora, los agentes de soporte pueden utilizar consultas en lenguaje natural para localizar rápidamente información crítica, lo que contribuye a reducir los tiempos de servicio y a mejorar la satisfacción del cliente.
Lo más importante es que el sistema puede procesar al instante los casi 400.000 cambios de producto diarios, lo que garantiza que los usuarios siempre obtengan la información más precisa y actualizada.
Generar valor en el mundo real
Para implementar estos casos de uso en el mundo real, las empresas deben poder hacer un seguimiento del rendimiento de los sistemas en una base de usuarios más amplia. La gobernanza de datos puede ahora ayudar a las organizaciones a supervisar el uso de los modelos para controlar los costes.
Mientras tanto, el entrenamiento continuo garantiza que el rendimiento de los sistemas de GenAI no se degrade con el tiempo. Lo más importante es que los circuitos de retroalimentación de los empleados pueden ayudar a mejorar la precisión general de los sistemas.
Aunque cada empresa tendrá finalmente su propio camino de adopción, estos pasos son fundamentales para crear y escalar sistemas de IA empresarial que sean precisos, rentables y que realmente ayuden a los empleados y a los clientes. Así es como las organizaciones generan confianza en una tecnología transformadora.
