Los proveedores quisieran que creyéramos que estamos en medio de una revolución de la inteligencia artificial, una que está cambiando la naturaleza misma de cómo trabajamos. Pero la verdad, según varios estudios recientes, sugiere que es mucho más matizado que eso.
Las empresas están extremadamente interesadas en la inteligencia artificial generativa a medida que los proveedores promocionan posibles beneficios, pero convertir ese deseo de una prueba de concepto en un producto funcional está resultando mucho más desafiante: Se están encontrando con la complejidad técnica de la implementación, ya sea debido a la deuda técnica de una pila tecnológica anterior o simplemente por falta de personas con las habilidades adecuadas.
De hecho, un estudio reciente de Gartner encontró que las dos barreras principales para implementar soluciones de inteligencia artificial eran encontrar formas de estimar y demostrar el valor en un 49% y la falta de talento en un 42%. Estos dos elementos podrían resultar ser obstáculos clave para las empresas.
Consideremos que un estudio de Lucidworks, una empresa de tecnología de búsqueda empresarial, encontró que solo uno de cada cuatro encuestados informó haber implementado con éxito un proyecto de inteligencia artificial generativa.
Aamer Baig, socio principal de McKinsey & Company, quien habló en el Simposio de CIO de MIT Sloan en mayo, dijo que su empresa también descubrió en una encuesta reciente que solo el 10% de las empresas están implementando proyectos de inteligencia artificial generativa a gran escala. También informó que solo el 15% estaba viendo algún impacto positivo en las ganancias. Eso sugiere que la exageración podría estar muy por delante de la realidad que la mayoría de las empresas están experimentando.
¿Cuál es la demora?
Baig ve la complejidad como el factor principal que está frenando a las empresas, incluso un proyecto simple que requiere de 20 a 30 elementos tecnológicos, siendo el LLM correcto solo el punto de partida. También necesitan cosas como controles adecuados de datos y seguridad, y los empleados pueden tener que aprender nuevas capacidades como la ingeniería de sugerencias y cómo implementar controles de propiedad intelectual, entre otras cosas.
Las pilas tecnológicas antiguas también pueden frenar a las empresas, dice. «En nuestra encuesta, uno de los principales obstáculos que se citó para lograr la inteligencia artificial generativa a gran escala fue en realidad el exceso de plataformas tecnológicas», dijo Baig. «No era el caso de uso, no era la disponibilidad de datos, no era el camino hacia el valor; en realidad eran las plataformas tecnológicas».
¡Ahorra ahora hasta el 4 de junio para las Sesiones de TechCrunch: IA!
Ahorra $300 en tu boleto para las Sesiones de TechCrunch: IA y obtén un 50% de descuento en uno segundo. Escucha a líderes de OpenAI, Anthropic, Khosla Ventures y más durante un día completo de conocimientos de expertos, talleres prácticos y redes de alto impacto. ¡Estas ofertas de bajo precio desaparecerán cuando abran las puertas el 5 de junio!
…
Entrada en las Sesiones de TechCrunch: AI
Asegura tu lugar en las Sesiones de TechCrunch: IA y muestra a más de 1.200 tomadores de decisiones lo que has construido, sin gastar mucho. Disponible hasta el 9 de mayo o mientras duren las mesas.
Berkeley, CA | 5 de junio
REGÍSTRATE AHORA
Mike Mason, director de inteligencia artificial en la firma de consultoría Thoughtworks, dice que su empresa dedica mucho tiempo a preparar a las empresas para la IA, y su configuración tecnológica actual es una gran parte de eso. «Entonces, la pregunta es, ¿cuánta deuda técnica tienes, cuánto de déficit? Y la respuesta siempre será: Depende de la organización, pero creo que las organizaciones están sintiendo cada vez más el dolor de esto», dijo Mason a TechCrunch.
Comienza con buenos datos.
Una gran parte de ese déficit de preparación es la parte de los datos, con un 39% de los encuestados en la encuesta de Gartner expresando preocupaciones sobre la falta de datos como una barrera principal para la implementación exitosa de la IA. «Los datos son un desafío enorme y abrumador para muchas organizaciones», dijo Baig. Recomienda centrarse en un conjunto limitado de datos con miras a la reutilización.
«Una lección simple que hemos aprendido es enfocarnos en datos que te ayuden con múltiples casos de uso, y generalmente terminan siendo tres o cuatro dominios en la mayoría de las empresas con los que realmente puedes empezar y aplicarlo a tus desafíos comerciales de alta prioridad con valores comerciales y entregar algo que realmente llega a la producción y la escala», dijo.
Mason dice que una gran parte de poder ejecutar la IA con éxito está relacionada con la preparación de los datos, pero eso es solo una parte. «Las organizaciones se dan cuenta rápidamente de que en la mayoría de los casos necesitan hacer algo de trabajo de preparación para la IA, construcción de plataformas, limpieza de datos, todo ese tipo de cosas», dijo. «Pero no tienes que hacer un enfoque de todo o nada, no tienes que pasar dos años antes de obtener algún valor».
Cuando se trata de datos, las empresas también deben respetar de dónde provienen los datos y si tienen permiso para usarlos. Akira Bell, CIO de Mathematica, una consultora que trabaja con empresas y gobiernos para recopilar y analizar datos relacionados con diversas iniciativas de investigación, dice que su empresa tiene que avanzar con cuidado cuando se trata de poner esos datos a trabajar en la IA generativa.
«As we look at generative AI, certainly there are going to be possibilities for us, and looking across the ecosystem of data that we use, but we have to do that cautiously,» Bell told TechCrunch. Partly that’s because they have a lot of private data with strict data use agreements, and partly it’s because they are sometimes dealing with vulnerable populations and they have to be cognizant of that.
