«No hay IA sin datos, no hay IA sin datos no estructurados, y no hay IA sin datos no estructurados a escala», dijo Chet Kapoor, presidente y CEO de la empresa de gestión de datos DataStax.
Kapoor estaba iniciando una conversación en TechCrunch Disrupt 2024 sobre «nuevos pipelines de datos» en el contexto de las aplicaciones modernas de IA, donde se unió a Vanessa Larco, socia de la firma de capital de riesgo NEA; y George Fraser, CEO de la plataforma de integración de datos Fivetran. Aunque la charla abarcó múltiples aspectos, como la importancia de la calidad de los datos y el papel de los datos en tiempo real en la IA generativa, una de las conclusiones clave fue la importancia de priorizar la adecuación producto-mercado sobre la escala en lo que realmente siguen siendo los primeros días de la IA. El consejo para las empresas que quieren adentrarse en el vertiginoso mundo de la IA generativa es claro: no ser demasiado ambicioso al principio y centrarse en un progreso práctico e incremental. ¿La razón? Todavía estamos descubriendo todo esto.
«Lo más importante para la IA generativa es que todo recae en las personas», dijo Kapoor. «Los equipos SWAT que realmente salen a construir los primeros proyectos, no están leyendo un manual; están escribiendo el manual sobre cómo hacer aplicaciones de IA generativa».
Aunque es cierto que los datos y la IA van de la mano, es fácil sentirse abrumado por la cantidad de datos que una empresa puede tener, algunos posiblemente sensibles y sujetos a estrictas protecciones, y tal vez incluso almacenados en múltiples lugares. Larco, que trabaja con (y forma parte de la junta directiva de) numerosas startups en el espectro B2C y B2B, sugirió un enfoque simple pero pragmático para desbloquear el verdadero valor en estos primeros días.
«Trabaja hacia atrás para lo que estás intentando lograr: ¿para qué estás intentando resolver, y cuáles son los datos que necesitas?» dijo Larco. «Encuentra esos datos, donde sea que estén, y úsalos para este propósito».
Esto contrasta con tratar de implementar la IA generativa en toda la empresa desde el principio, lanzar todos sus datos al gran modelo de lenguaje (LLM) y esperar que arroje lo correcto al final. Eso, según Larco, probablemente creará un desorden inexacto y costoso. «Empieza pequeño», dijo. «Lo que estamos viendo es que las empresas comienzan pequeñas, con aplicaciones internas, con objetivos muy específicos, y luego encuentran los datos que coinciden con lo que están intentando lograr».
Fraser, quien ha dirigido la plataforma de «movimiento de datos» Fivetran desde su creación hace 12 años, acumulando clientes de renombre como OpenAI y Salesforce en el camino, sugirió que las empresas deberían centrarse estrechamente en los problemas reales que están enfrentando en este momento.
«Resuelve solo los problemas que tienes hoy; esa es la consigna», dijo Fraser. «Los costos en innovación siempre son 99% en cosas que construiste y que no funcionaron, no en cosas que funcionaron y desearías haber planeado la escala de antemano. Aunque esos son los problemas en los que siempre pensamos retrospectivamente, no son el 99% del costo que soportas».
Así como en los primeros días de la web y, más recientemente, en la revolución de los smartphones, las aplicaciones y casos de uso tempranos para la IA generativa han mostrado destellos de un futuro poderoso habilitado por la IA. Pero hasta ahora, no necesariamente han sido revolucionarios.
«Llamo a esta la era de Angry Birds de la IA generativa», dijo Kapoor. «No está cambiando completamente mi vida, nadie está lavando mi ropa todavía. Este año, cada empresa con la que trabajo está poniendo algo en producción, pequeño, interno, pero poniéndolo en producción porque en realidad están resolviendo los problemas, cómo formar los equipos para hacer que esto suceda. El próximo año es lo que llamo el año de la transformación, cuando las personas comenzarán a hacer aplicaciones que realmente cambien la trayectoria de la empresa para la que trabajan».
