La gestión del cambio que abarca personas, procesos y tecnologías es un componente crucial para el éxito con la inteligencia artificial generativa (IA generativa). En este análisis profundo, exploraremos la tercera vertiente: la tecnología, profundizando en cómo la infraestructura y la arquitectura adecuadas pueden transformar la adopción de la IA generativa en una organización.
Una recapitulación: Una mentalidad de crecimiento y la cadena de valor cognitiva
El despliegue de la tecnología es un medio para un fin, no un fin en sí mismo. Es crucial recordar que el objetivo final es lograr resultados superiores aprovechando una infraestructura de IA generativa robusta. En lo que respecta a las personas, el objetivo es fomentar una mentalidad de crecimiento hacia la IA generativa, similar a la adopción de cualquier nueva herramienta. Se debe buscar la «excelencia de la aumentación» («esa fue una manera inteligente de usarla») y una «aumentación excelente» («me alegro de que hiciéramos eso»). Este enfoque empodera a los empleados para que experimenten, aprendan y mejoren continuamente sus interacciones con las herramientas de IA.
En cuanto a los procesos, la meta es evolucionar hacia una forma de trabajo «nueva normal» en la que una cadena de valor cognitiva permita que el conocimiento impregne los flujos de trabajo a ritmo y escala, reduciendo así los errores. Esta cadena de valor cognitiva es similar a cómo las empresas desarrollaron cadenas de valor digitales que permitieron que los datos impregnaran las experiencias digitales a ritmo y escala para aumentar su valor. Imaginemos una empresa de servicios financieros que utiliza IA generativa para automatizar la preparación de informes. Una mentalidad de crecimiento permitiría a los analistas explorar nuevas maneras de utilizar la IA para descubrir patrones ocultos en los datos, mejorando así la calidad de los informes y la toma de decisiones.
Nuestro objetivo es apuntar hacia una tecnología que siempre ayude, nunca tropiece y nunca se interponga en el camino. Esto implica seleccionar soluciones que se integren perfectamente con la infraestructura existente, sean fáciles de usar y proporcionen los resultados deseados.
Acceso a los datos correctos
Para comprender mejor lo que esto implica, analicemos un ejemplo concreto que probablemente se convertirá en un uso omnipresente de la IA generativa en las grandes empresas. Teresa Heitsenrether, directora de datos y análisis de JPMorgan, dijo a un reportero del Wall Street Journal, cuando se le preguntó cómo la IA generativa transformará el trabajo en JPMorgan: «Piensen en cualquier lugar del banco donde la gente se está preparando para ir a hablar con sus clientes. Hoy en día, hay ejércitos de personas corriendo, reuniendo notas informativas y asegurándose de que todo el mundo esté preparado. Esta es una gran manera de poder juntar esas cosas más rápidamente. Lo vemos en el área legal, en cualquier lugar donde se tienen muchos documentos, mucha información para analizar».
La capacidad de resumir rápidamente grandes cantidades de información y extraer los puntos clave relevantes es una de las principales ventajas de la IA generativa. En el sector legal, por ejemplo, la IA generativa puede ayudar a los abogados a analizar grandes cantidades de jurisprudencia para encontrar precedentes relevantes para un caso.
Una aplicación de IA generativa basada en un modelo de lenguaje grande (LLM) como ChatGPT Enterprise puede ayudar a cualquier usuario que pueda elaborar una instrucción e insertar documentos en su ventana de contexto. Sin embargo, para flujos de trabajo importantes y continuos, como la preparación para reuniones con clientes, llamadas de ventas o negociaciones de contratos, no tiene sentido que las personas copien y peguen al azar información de 17 fuentes de datos diferentes. Imagine el riesgo de errores y la inconsistencia que podría surgir de este proceso manual.
Lo ideal es que los desarrolladores de aplicaciones de IA generativa puedan construir acceso a las fuentes de datos correctas en aplicaciones empresariales personalizadas. Esta capacidad de acceder a datos precisos y relevantes es esencial para garantizar que las aplicaciones de IA generativa proporcionen información útil y confiable. Pensemos en una aplicación que utiliza IA generativa para generar informes de riesgo. La aplicación necesitaría acceder a datos de diversas fuentes, como datos del mercado financiero, datos de crédito y datos regulatorios.
La conclusión es simple: un contexto más rico significa mejores resultados y mayor impacto. Si una aplicación de IA generativa tiene acceso a una amplia gama de datos relevantes, puede proporcionar información más precisa y completa, lo que lleva a mejores decisiones y resultados.
Agencia y orquestación
Hay un giro adicional con la IA generativa. Las aplicaciones tradicionales no pueden mostrar ninguna agencia más allá de las fuentes de datos y las consultas codificadas en ellas. La IA generativa, por otro lado, puede optar por utilizar herramientas y APIs a las que se le ha dado acceso. Por lo tanto, la capa de herramientas de desarrollo debe incorporar elementos de orquestación.
La orquestación implica coordinar diferentes componentes de un sistema para lograr un objetivo específico. En el contexto de la IA generativa, la orquestación se refiere a la capacidad de la aplicación para interactuar con diferentes herramientas y APIs para recopilar información, realizar tareas y tomar decisiones.
No se trata solo de aprovechar lo que está en su patrimonio de datos, sino también de lo que podría ser relevante más allá de él. Supongamos que una aplicación de IA generativa está diseñada para ayudar a los agentes de servicio al cliente a resolver problemas. La aplicación podría utilizar la orquestación para acceder a información de diversas fuentes, como una base de conocimientos, un sistema de tickets y un sistema de gestión de relaciones con el cliente (CRM). Al combinar información de estas fuentes, la aplicación podría proporcionar al agente de servicio al cliente una visión completa del problema del cliente y sugerir soluciones relevantes.
Por ejemplo: si una base de datos de tickets es el sistema de registro para el soporte al cliente, pero un ticket termina con «llevemos esta conversación a Slack», la aplicación de IA generativa podría estar equipada para seguir el rastro. Esto implica integrar la aplicación con Slack a través de una API y permitirle acceder al historial de conversaciones del cliente.
O si la IA encuentra datos contradictorios de fuentes internas sobre las métricas de negocio de un cliente que están disponibles de una fuente de alta calidad como Dun & Bradstreet, podría plantear el problema y pedir permiso para hacer la llamada. En este caso, la aplicación estaría equipada para acceder a la API de Dun & Bradstreet, verificar la información interna y, si es necesario, solicitar la aprobación del usuario para actualizar los datos.
La capacidad de orquestación es esencial para desbloquear todo el potencial de la IA generativa y permitirle resolver problemas complejos y realizar tareas sofisticadas.
La capa de conocimiento: Búsqueda multimodal y más allá de SQL
Por mucha similitud con la mente humana que pueda manifestar la IA generativa, una aplicación de IA generativa sigue dependiendo de «matemáticas» bajo el capó para encontrar el contexto más relevante. Si bien la búsqueda vectorial es un requisito indispensable para las aplicaciones de IA generativa, sabemos que los enfoques de búsqueda híbridos, como la combinación de la búsqueda vectorial (para la comprensión semántica) y la búsqueda léxica (para la coincidencia exacta de palabras clave), pueden mejorar los resultados.
La búsqueda vectorial permite a la IA comprender el significado de las palabras y las frases, en lugar de simplemente buscar coincidencias exactas. La búsqueda léxica, por otro lado, se centra en encontrar coincidencias exactas de palabras clave. Al combinar estas dos técnicas, se puede obtener una búsqueda más completa y precisa.
Una capa de conocimiento se inserta para proporcionar capacidades de búsqueda multimodal completas más allá de las consultas SQL que solían ser el vínculo predominante entre sus desarrolladores y sus datos. La búsqueda multimodal implica la capacidad de buscar información utilizando diferentes modalidades, como texto, imágenes, audio y video. Esta capacidad es particularmente útil en aplicaciones que requieren la comprensión de información de diversas fuentes.
Imagine una aplicación de IA generativa que se utiliza para analizar las redes sociales. La aplicación podría utilizar la búsqueda multimodal para analizar el texto de los posts, las imágenes y los videos compartidos en las redes sociales. Al combinar información de estas diferentes modalidades, la aplicación podría obtener una comprensión más profunda de la opinión pública sobre un tema determinado.
La evolución hacia la búsqueda multimodal y la superación de las limitaciones de las consultas SQL tradicionales son pasos cruciales para desbloquear el verdadero potencial de la IA generativa y permitirle resolver problemas complejos y proporcionar información valiosa.
Los pilares del éxito de la IA
En resumen, estos tres cambios – la conversión de los datos no estructurados en ciudadanos de primera clase de la capa de datos, la adición de capacidades de orquestación y acceso a los datos en la capa de herramientas de desarrollo y la nueva capa de conocimiento – sustentarán los procesos ganadores para aprovechar la IA generativa y prepararán a las personas (tanto a los usuarios finales como a los desarrolladores) para el éxito.
Al abordar estos tres pilares, las organizaciones pueden crear una base sólida para la adopción exitosa de la IA generativa. Al asegurarse de que los datos no estructurados estén accesibles, que la orquestación esté habilitada y que la búsqueda multimodal sea posible, las organizaciones pueden permitir que sus aplicaciones de IA generativa proporcionen información valiosa, automatizar tareas complejas y mejorar la toma de decisiones.
A medida que la IA generativa continúa evolucionando, es fundamental que las organizaciones adopten un enfoque estratégico para la adopción de la tecnología. Esto implica seleccionar las soluciones adecuadas, desarrollar las habilidades necesarias y establecer una cultura de innovación. Al hacerlo, las organizaciones pueden desbloquear todo el potencial de la IA generativa y obtener una ventaja competitiva.
Ejemplos concretos y casos de uso.
- Sector de la salud: Una empresa farmacéutica podría utilizar IA generativa para acelerar el descubrimiento de fármacos. La aplicación podría acceder a datos de diversas fuentes, como bases de datos de compuestos químicos, estudios clínicos y publicaciones científicas. Al combinar información de estas fuentes, la aplicación podría identificar nuevos candidatos a fármacos con mayor rapidez y precisión.
- Sector financiero: Un banco podría utilizar IA generativa para mejorar la detección de fraudes. La aplicación podría analizar datos de transacciones, datos de comportamiento del cliente y datos de redes sociales. Al combinar información de estas fuentes, la aplicación podría identificar patrones sospechosos y alertar a los investigadores de fraude con mayor rapidez.
- Sector minorista: Un minorista podría utilizar IA generativa para personalizar la experiencia del cliente. La aplicación podría analizar datos de compras, datos de navegación web y datos de redes sociales. Al combinar información de estas fuentes, la aplicación podría recomendar productos relevantes, ofrecer descuentos personalizados y proporcionar soporte al cliente proactivo.
Consideraciones éticas y desafíos
Es crucial abordar las consideraciones éticas y los desafíos asociados con la IA generativa. Estos incluyen:
- Sesgo: Los modelos de IA generativa pueden perpetuar los sesgos presentes en los datos de entrenamiento. Es fundamental garantizar que los datos de entrenamiento sean diversos y representativos para evitar la discriminación.
- Privacidad: Las aplicaciones de IA generativa pueden recopilar y procesar grandes cantidades de datos personales. Es fundamental implementar medidas de seguridad sólidas para proteger la privacidad de los usuarios.
- Responsabilidad: Es importante determinar quién es responsable de las acciones de las aplicaciones de IA generativa. Esto requiere establecer marcos legales y éticos claros.
Conclusión
La IA generativa tiene el potencial de transformar la forma en que trabajamos y vivimos. Al adoptar un enfoque estratégico para la adopción de la tecnología y abordar las consideraciones éticas y los desafíos, las organizaciones pueden desbloquear todo el potencial de la IA generativa y crear un futuro mejor. La tecnología adecuada, combinada con una mentalidad de crecimiento y una cadena de valor cognitiva, es la clave para impulsar la excelencia en la IA generativa y lograr un impacto significativo.
- Read about Vibe Coding
- Consider cloud seguridad
- Check out this drama in Europe!
- Learn more about codificación
- Read noticias explosivas!
- Understand the success of OpenTofu
- What do you think about Google?
- Prepare for Holi 2025
- Review these herramientas de IA
- Delve into the legado of MSN
- More on Inteligencia Artificial Generativa
- Discover IA Generativa Applications
- Read IA Generativa analysis
- Consider the Beneficios of AI
- Understand the Desafíos éticos of IA
