Prácticamente no pasa un día sin que aparezca en los medios de comunicación algún nuevo avance empresarial relacionado con la IA generativa. El entusiasmo es bien merecido: las investigaciones de McKinsey estiman que la IA generativa podría añadir el equivalente a entre $2.6 y $4.4 billones de dólares de valor anual.1
Los directores de informática (chief information officers, o CIOs) y los directores de tecnología (chief technology officers, o CTOs) desempeñan un papel fundamental en la captura de ese valor, pero vale la pena recordar que ya hemos visto esta película antes. El surgimiento de nuevas tecnologías –internet, dispositivos móviles, redes sociales– desencadenó un gran número de experimentos y proyectos piloto, aunque a menudo resultó más difícil obtener un valor empresarial significativo. Muchas de las lecciones aprendidas de esos desarrollos siguen siendo válidas, especialmente cuando se trata de superar la fase piloto para alcanzar la escala. Para los CIOs y los CTOs, el auge de la IA generativa presenta una oportunidad única de aplicar esas lecciones para guiar a la alta dirección a convertir la promesa de la IA generativa en valor sostenible para el negocio.
A través de conversaciones con docenas de líderes tecnológicos y un análisis de iniciativas de IA generativa en más de 50 empresas (incluida la nuestra), hemos identificado nueve acciones que todos los líderes tecnológicos pueden realizar para crear valor, orquestar la tecnología y los datos, escalar las soluciones y gestionar el riesgo de la IA generativa (véase el recuadro: "Una introducción rápida a los términos clave"):
- Actuar con rapidez para determinar la postura de la empresa para la adopción de la IA generativa y desarrollar comunicaciones prácticas y un acceso adecuado para los empleados.
- Reimaginar el negocio e identificar casos de uso que generen valor a través de la mejora de la productividad, el crecimiento y nuevos modelos de negocio. Desarrollar una capacidad de "IA financiera" (FinAI) que pueda estimar los costos y retornos reales de la IA generativa.
- Reimaginar la función tecnológica y centrarse en crear rápidamente capacidades de IA generativa en el desarrollo de software, acelerar la reducción de la deuda técnica y reducir drásticamente el esfuerzo manual en las operaciones de TI.
- Aprovechar los servicios existentes o adaptar los modelos de IA generativa de código abierto para desarrollar capacidades patentadas (construir y operar sus propios modelos de IA generativa puede costar entre decenas y cientos de millones de dólares, al menos a corto plazo).
- Actualizar la arquitectura tecnológica de su empresa para integrar y gestionar modelos de IA generativa, y orquestar cómo funcionan entre sí y con los modelos, aplicaciones y fuentes de datos de IA y aprendizaje automático (machine learning, o ML) existentes.
- Desarrollar una arquitectura de datos para permitir el acceso a datos de calidad mediante el procesamiento de fuentes de datos estructurados y no estructurados.
- Crear un equipo centralizado e interfuncional de plataforma de IA generativa para proporcionar a los equipos modelos aprobados de productos y aplicaciones bajo demanda.
- Invertir en mejorar las habilidades de los puestos clave —desarrolladores de software, ingenieros de datos, ingenieros de operaciones de aprendizaje automático (machine learning operations, o MLOps) y expertos en seguridad—, así como de la fuerza laboral no tecnológica en general. Pero debe adaptar los programas de capacitación por funciones y niveles de competencia debido al impacto variable de la IA generativa.
- Evaluar el nuevo panorama de riesgos y establecer prácticas de mitigación continuas para abordar modelos, datos y políticas.
Más perspectivas de McKinsey en Español
Mire nuestra colección de artículos en Español y suscríbase a nuestro newsletter mensual en Español.
1. Determinar la postura de la empresa para la adopción de la IA generativa
A medida que el uso de la IA generativa se generaliza, hemos visto a CIOs y CTOs responder bloqueando el acceso de los empleados a las aplicaciones disponibles públicamente para limitar el riesgo. Al hacerlo, estas empresas corren el riesgo de perder oportunidades de innovación, y algunos empleados incluso perciben que estas medidas limitan su capacidad para desarrollar nuevas habilidades importantes.
En su lugar, el CIO y el CTO deben trabajar con los líderes de riesgos para equilibrar la necesidad real de mitigar los riesgos con la importancia de desarrollar habilidades de IA generativa en la empresa. Esto requiere establecer la postura de la empresa con respecto a la IA generativa mediante la creación de un consenso sobre los niveles de riesgo con los que la compañía se siente cómoda y cómo encaja la IA generativa en su estrategia general. Este paso permite a la empresa determinar rápidamente las políticas y directrices para todos.
Una vez que las políticas están claramente definidas, los líderes deben comunicarlas a la empresa, y el CIO y el CTO deben proporcionar a la organización el acceso apropiado y unas directrices fáciles de usar. Algunas empresas han difundido comunicaciones sobre la IA generativa en toda la organización, han brindado un amplio acceso a la IA generativa a grupos de usuarios específicos, han creado pop-ups que advierten a los usuarios cada vez que introducen datos internos en un modelo y han elaborado una página de directrices que aparece cada vez que los usuarios acceden a un servicio de IA generativa disponible públicamente.
2. Identificar casos de uso que generen valor a través de la mejora de la productividad, el crecimiento y nuevos modelos de negocio
Los CIOs y los CTOs deberían ser el antídoto contra el frenesí de "muerte por caso de uso" que ya vemos en muchas empresas. Pueden ser de gran ayuda si trabajan con el CEO, el CFO y otros líderes empresariales para pensar en cómo la IA generativa desafía los modelos de negocio existentes, abre las puertas a otros nuevos y crea nuevas fuentes de valor. Con una comprensión profunda de las posibilidades técnicas, el CIO y el CTO deben identificar las oportunidades y los problemas más valiosos en toda la empresa que pueden beneficiarse de la IA generativa, y los que no. En algunos casos, la IA generativa no es la mejor opción.
Las investigaciones de McKinsey, por ejemplo, muestran que la IA generativa puede aumentar la productividad para ciertos casos de uso de marketing (por ejemplo, mediante el análisis de datos no estructurados y abstractos para las preferencias del cliente) en aproximadamente un 10 por ciento y en otros casos de uso de la atención al cliente (por ejemplo, a través de bots inteligentes) hasta en un 40 por ciento.2 El CIO y el CTO pueden ser particularmente útiles para desarrollar una perspectiva sobre la mejor manera de agrupar los casos de uso, ya sea por dominio (como el recorrido del cliente o el proceso empresarial) o por tipo de caso de uso (como la creación de contenido creativo o agentes virtuales), de modo que la IA generativa tenga el mayor valor. La identificación de oportunidades no será la tarea más estratégica —existen muchos casos de uso de IA generativa—, pero, dadas las limitaciones iniciales de talento y capacidades, el CIO y el CTO tendrán que proporcionar estimaciones de viabilidad y recursos para ayudar a las empresas a secuenciar las prioridades de la IA generativa.
Proporcionar este nivel de asesoramiento requiere que los líderes tecnológicos trabajen con la empresa para desarrollar una capacidad FinAI que permita estimar los costos y beneficios reales de las iniciativas de IA generativa. Los cálculos de costos pueden ser especialmente complejos porque la economía unitaria debe tener en cuenta los costos de múltiples modelos y proveedores, las interacciones entre modelos (cuando una consulta puede requerir información de múltiples modelos, cada uno con su propia tarifa), las tarifas de uso continuo y los costos de supervisión humana.
3. Reimaginar la función tecnológica
La IA generativa tiene el potencial de rehacer por completo el funcionamiento de la función tecnológica. Los CIOs y los CTOs deben realizar una revisión exhaustiva del impacto potencial de la IA generativa en todas las áreas de la tecnología, pero es importante actuar con rapidez para construir experiencia y conocimientos. Hay tres áreas en las que pueden enfocar sus energías iniciales:
- Desarrollo de software: Las investigaciones de McKinsey muestran que el apoyo a la codificación mediante IA generativa puede ayudar a los ingenieros de software a desarrollar código entre un 35 y un 45 por ciento más rápido, a refactorizar código entre un 20 y un 30 por ciento más rápido, y a realizar la documentación del código entre un 45 y un 50 por ciento más rápido.3 La IA generativa también puede automatizar el proceso de prueba y simular casos extremos, lo que permite a los equipos desarrollar software más resiliente antes de su lanzamiento y acelerar la incorporación de nuevos desarrolladores (por ejemplo, al hacer preguntas de IA generativa sobre una base de código). Capturar estos beneficios requerirá una amplia capacitación (véase más información en el punto 8) y la automatización de los conductos de integración e implementación mediante prácticas de desarrollo, seguridad y operaciones (development, security, and operations, o DevSecOps) para gestionar el aumento en el volumen de código.
- Deuda tecnológica: La deuda tecnológica puede representar entre el 20 y el 40 por ciento de los presupuestos de tecnología y ralentizar significativamente el ritmo de desarrollo.4 Los CIOs y los CTOs deben revisar sus balances de deuda tecnológica para determinar de qué forma las capacidades de la IA generativa —como la refactorización de código, la traducción de código y la generación automatizada de casos de prueba— pueden acelerar la reducción de dicha deuda.
- Operaciones de tecnología de información (TI) (Information technology operations, o ITOps): Los CIOs y los CTOs deberán revisar sus esfuerzos de productividad de ITOps para determinar cómo la IA generativa puede acelerar los procesos. Las capacidades de la IA generativa son particularmente útiles para automatizar tareas como el restablecimiento de contraseñas, las solicitudes de estado o los diagnósticos básicos a través de agentes de autoservicio; acelerar la clasificación y la resolución a través de un enrutamiento mejorado; hacer aflorar un contexto útil, como un tema o una prioridad, y generar respuestas sugeridas; mejorar la observabilidad mediante el análisis de grandes flujos de registros para identificar los eventos que realmente requieren atención; y desarrollar documentación, como procedimientos operativos estándar, post mortems de incidentes o informes de desempeño.
4. Aprovechar los servicios existentes o adaptar los modelos de IA generativa de código abierto
Existe una variación de la clásica decisión de "alquilar, comprar o construir" cuando se trata de estrategias para desarrollar capacidades de IA generativa. La regla básica sigue siendo válida: una empresa debe invertir en una capacidad de IA generativa en la que pueda crear una ventaja de propiedad exclusiva de la compañía y acceder a los servicios existentes para aquellos que son más como productos básicos.
Los CIOs y los CTOs pueden pensar en las implicaciones de estas opciones como tres arquetipos:
- Tomador (Taker): Utiliza modelos disponibles públicamente a través de una interfaz de chat o una API, con poca o ninguna personalización. Algunos buenos ejemplos son las soluciones listas para usar con el fin de generar código (como GitHub Copilot) o para ayudar a los diseñadores a generar y editar imágenes (como Adobe Firefly). Este es el arquetipo más simple en términos de necesidades de ingeniería e infraestructura y suele ser el más rápido de poner en marcha. Estos modelos son esencialmente productos básicos que dependen de la alimentación de datos en forma de prompts (indicaciones al software de inteligencia artificial) al modelo público.
- Moldeador (Shaper):Integra modelos con datos y sistemas internos para generar resultados más personalizados. Un ejemplo es un modelo que respalda los acuerdos de ventas conectando las herramientas de IA generativa a los sistemas financieros y de gestión de relaciones con los clientes (customer relationship management, o CRM) para incorporar el historial previo de ventas y compromiso de los clientes. Otro es ajustar el modelo con documentos internos de la empresa e historial de chat para que actúe como asistente de un agente de atención al cliente. Para las empresas que buscan escalar las capacidades de IA generativa, desarrollar más capacidades patentadas o satisfacer mayores necesidades de seguridad o cumplimiento, el arquetipo Shaper es apropiado.
Hay dos enfoques comunes para integrar datos con modelos de IA generativa en este arquetipo. Uno es "llevar el modelo a los datos", en el que el modelo se aloja en la infraestructura de la organización, ya sea en las instalaciones o en el entorno de la nube. Cohere, por ejemplo, implementa modelos fundacionales en la infraestructura de la nube de los clientes, lo que reduce la necesidad de hacer transferencias de datos. El otro enfoque es "traer los datos al modelo", en el que una organización puede agregar sus datos e implementar una copia del modelo grande en la infraestructura de la nube. Ambos enfoques logran el objetivo de proporcionar acceso a los modelos fundacionales, y la elección entre ellos dependerá de la huella de la carga de trabajo de la organización. - Creador (Maker):Construye un modelo fundacional para abordar un caso de negocios discreto. La creación de un modelo fundacional es costosa y compleja, pues necesita grandes volúmenes de datos, conocimientos profundos y un enorme poder de cómputo. Esta opción requiere una inversión única sustancial –decenas o incluso cientos de millones de dólares– para construir el modelo y entrenarlo. El costo depende de varios factores, como la infraestructura de capacitación, la arquitectura del modelo elegido, el número de parámetros del modelo, el tamaño de los datos y los recursos expertos.
Cada arquetipo tiene sus propios costos que los líderes tecnológicos deberán considerar (Gráfica 1). Si bien los nuevos avances, como los enfoques eficientes de entrenamiento de modelos y la reducción de los costos de las unidades de procesamiento de gráficos (graphics processing unit, o GPU), están disminuyendo los costos, la complejidad inherente del arquetipo Maker significa que pocas organizaciones lo adoptarán a corto plazo. En cambio, la mayoría recurrirá a alguna combinación de Taker, para acceder rápidamente a un servicio fundacional, y Shaper, para crear una capacidad patentada a partir de los modelos fundacionales.
5. Actualizar la arquitectura tecnológica de la empresa para integrar y gestionar modelos de IA generativa
Las organizaciones utilizarán muchos modelos de IA generativa de diferentes tamaños, complejidad y capacidades. Para generar valor, estos modelos deben poder funcionar juntos y con los sistemas o aplicaciones existentes de la empresa. Por este motivo, construir una pila tecnológica separada para la IA generativa crea más complejidades de las que resuelve. Como ejemplo, podemos ver a un consumidor que consulta al servicio de atención al cliente de una empresa de viajes para resolver un problema de reserva (Gráfica 2). Al interactuar con el cliente, el modelo de IA generativa necesita acceder a múltiples aplicaciones y fuentes de datos.
Para el arquetipo Taker, este nivel de coordinación no es necesario. Sin embargo, para las empresas que buscan escalar las ventajas de la IA generativa como Shapers o Makers, los CIOs y los CTOs necesitan actualizar su arquitectura tecnológica. El objetivo principal es integrar los modelos de IA generativa en los sistemas internos y las aplicaciones empresariales, y construir canalizaciones hacia varias fuentes de datos. En última instancia, es la madurez de la arquitectura tecnológica de la empresa lo que le permite integrar y escalar sus capacidades de IA generativa.
Los avances recientes en los marcos de integración y orquestación, como LangChain y LlamaIndex, han reducido significativamente el esfuerzo requerido para conectar diferentes modelos de IA generativa con otras aplicaciones y fuentes de datos. También están surgiendo varios patrones de integración, incluidos los que permiten a los modelos llamar a las interfaces de programación de aplicaciones (application programming interfaces, o APIs) cuando responden a una consulta del usuario —Generative Pre-trained Transformer, o GPT-4, por ejemplo, puede invocar funciones— y proporcionar datos contextuales de un conjunto de datos externo como parte de una consulta del usuario, una técnica conocida como generación aumentada de recuperación. Los líderes tecnológicos tendrán que definir arquitecturas de referencia y patrones de integración estándar para su organización (como formatos y parámetros de API estándar que identifiquen al usuario y al modelo que invoca la API).
Hay cinco elementos clave que deben incorporarse a la arquitectura tecnológica para integrar la IA generativa de manera eficaz (Gráfica 3):
- Gestión del contexto y almacenamiento en caché, para proporcionar a los modelos información relevante de las fuentes de datos de la empresa. El acceso a datos relevantes en el momento adecuado es lo que permite al modelo comprender el contexto y producir resultados convincentes. El almacenamiento en caché guarda los resultados de las preguntas más frecuentes para permitir respuestas más rápidas y económicas.
- Gestión de políticas, para garantizar el acceso adecuado a los activos de datos de la empresa. Este control garantiza que el resto de la organización no pueda acceder a los modelos de IA generativa de recursos humanos, que incluyen, por ejemplo, detalles sobre la compensación de los empleados.
- Hub de modelos, que contiene modelos entrenados y aprobados que pueden aprovisionarse bajo demanda y actúa como depósito de puntos de control, pesos y parámetros del modelo.
- Biblioteca prompt, que contiene instrucciones optimizadas para los modelos de IA generativa, incluidas las versiones prompt a medida que se actualizan los modelos.
- Plataforma MLOps, incluidas las capacidades mejoradas de MLOps, para tener en cuenta la complejidad de los modelos de IA generativa. Las canalizaciones de MLOps, por ejemplo, deberán incluir instrumentación para medir el rendimiento de tareas específicas, como medir la capacidad de un modelo para recuperar el conocimiento correcto.
Al evolucionar la arquitectura, los CIOs y los CTOs deberán navegar por un ecosistema en rápido crecimiento de proveedores y herramientas de IA generativa. Los proveedores de la nube brindan un amplio acceso a hardware a gran escala y modelos fundacionales, así como a un conjunto de servicios cada vez más amplio. Por su parte, los proveedores de MLOps y de hubs de modelos ofrecen las herramientas, tecnologías y prácticas necesarias para adaptar un modelo fundacional e implementarlo en la producción, mientras que otras empresas proporcionan aplicaciones a las que acceden directamente los usuarios, construidas sobre modelos básicos para realizar tareas específicas. Los CIOs y los CTOs tendrán que evaluar cómo se ensamblan e integran estas diversas capacidades para desplegar y operar modelos de IA generativa.
6. Desarrollar una arquitectura de datos para permitir el acceso a datos de calidad
La capacidad de una empresa para generar y escalar valor –incluidas la reducción de costos y la mejora de la protección de datos y conocimientos– a partir de modelos de IA generativa dependerá de lo bien que aproveche sus propios datos. La creación de esa ventaja se basa en una arquitectura de datos que conecte los modelos de IA generativa con las fuentes de datos internas, que brindan contexto o ayudan a ajustar los modelos para crear resultados más relevantes.
En este contexto, los CIOs, los CTOs y los directores de datos (chief data officers) deben colaborar estrechamente para hacer lo siguiente:
- Categorizar y organizar los datos para que puedan ser utilizados por modelos de IA generativa. Los líderes tecnológicos tendrán que desarrollar una arquitectura de datos integral que abarque fuentes de datos estructurados y no estructurados. Esto requiere implementar estándares y directrices para optimizar los datos para el uso de IA generativa, por ejemplo, aumentando los datos de entrenamiento con muestras sintéticas para mejorar la diversidad y el tamaño; convirtiendo los tipos de medios en formatos de datos estandarizados; añadiendo metadatos para mejorar la trazabilidad y la calidad de los datos; y actualizando los datos.
- Asegurar que la infraestructura existente o los servicios en la nube puedan soportar el almacenamiento y la gestión de los grandes volúmenes de datos necesarios para las aplicaciones de IA generativa.
- Priorizar el desarrollo de canalizaciones de datos para conectar los modelos de IA generativa a fuentes de datos relevantes que proporcionen "comprensión contextual". Los enfoques emergentes incluyen el uso de bases de datos vectoriales para almacenar y recuperar incrustaciones (conocimiento especialmente formateado) como entrada para los modelos de IA generativa, así como enfoques de aprendizaje en contexto, como el "prompting de pocos disparos" (“few shot prompting”), en el que se proporcionan a los modelos ejemplos de buenas respuestas.
7. Crear un equipo centralizado e interfuncional de plataforma de IA generativa
La mayoría de las organizaciones tecnológicas se encuentran en el recorrido hacia un modelo operativo de producto y plataforma. Los CIOs y los CTOs deben integrar capacidades de IA generativa en este modelo operativo para aprovechar la infraestructura existente y ayudar a escalar rápidamente la adopción de la IA generativa. El primer paso es crear un equipo de plataforma de IA generativa cuyo enfoque principal sea desarrollar y mantener un servicio de plataforma en el que los modelos de IA generativa aprobados puedan aprovisionarse bajo demanda para que los utilicen los equipos de productos y aplicaciones. Además, el equipo de la plataforma define protocolos sobre cómo se integran los modelos de IA generativa con los sistemas internos, las aplicaciones empresariales y las herramientas, y también desarrolla e implementa enfoques estandarizados para gestionar el riesgo, como los marcos de IA responsable.
Los CIOs y los CTOs deben asegurarse de que el equipo de la plataforma cuente con personas que tengan las habilidades adecuadas. Este equipo requiere un líder técnico sénior que actúe como gerente general. Las funciones clave incluyen ingenieros de software para integrar los modelos de IA generativa en los sistemas, aplicaciones y herramientas existentes; ingenieros de datos para construir las canalizaciones que conecten los modelos a varios sistemas de registro y fuentes de datos; científicos de datos para seleccionar modelos y prompts de ingeniería; ingenieros de MLOps para gestionar la implementación y supervisión de múltiples modelos y versiones de modelos; ingenieros de aprendizaje automático (ML) para ajustar modelos con nuevas fuentes de datos; y expertos en riesgos para gestionar problemas de seguridad como la fuga de datos, los controles de acceso, la precisión de resultados y el sesgo. La composición exacta del equipo de la plataforma dependerá de los casos de uso que se atiendan en toda la empresa. En algunos casos, como la creación de un chatbot orientado al cliente, se necesitarán importantes recursos de gestión de productos y experiencia de usuario (user experience, o UX).
Siendo realistas, el equipo de la plataforma deberá trabajar inicialmente en un conjunto reducido de casos de uso prioritarios, ampliando gradualmente el alcance de su trabajo a medida que construya capacidades reutilizables y aprenda lo que funciona mejor. Los responsables tecnológicos deben colaborar estrechamente con los líderes de la empresa para evaluar qué casos comerciales financiar y apoyar.
8. Adaptar los programas de mejora de habilidades por funciones y niveles de competencia
La IA generativa tiene el potencial de elevar enormemente la productividad de los empleados y aumentar sus capacidades. Pero los beneficios se distribuyen de manera desigual según las funciones y los niveles de competencia; esto requiere que los líderes reconsideren cómo desarrollar las habilidades que realmente necesitan las personas.
Nuestra última investigación empírica con la herramienta de IA generativa GitHub Copilot, por ejemplo, ayudó a los ingenieros de software a escribir código entre un 35 y un 45 por ciento más rápido.5 Los beneficios, sin embargo, variaron. Los desarrolladores altamente cualificados vieron ganancias de hasta el 50 al 80 por ciento, mientras que los desarrolladores noveles experimentaron una disminución de velocidad de entre el 7 y el 10 por ciento. Esto se debe a que el resultado de las herramientas de IA generativa requiere que los ingenieros critiquen, validen y mejoren el código, algo que a los ingenieros de software sin experiencia les cuesta hacer. Por el contrario, en funciones menos técnicas, como el servicio al cliente, la IA generativa ayuda significativamente a los trabajadores poco cualificados, con un aumento de la productividad del 14 por ciento y un descenso de la rotación de personal, según un estudio.6
Estas disparidades subrayan la necesidad de que los líderes tecnológicos, en colaboración con el director de recursos humanos (chief human resources officer, o CHRO), reconsideren su estrategia de gestión del talento para crear la fuerza laboral del futuro. Será importante contratar un conjunto básico de los mejores talentos de IA generativa y, dada la creciente escasez e importancia estratégica de ese talento, los líderes tecnológicos deben poner en marcha mecanismos de retención, como salarios competitivos y oportunidades de participar en importantes tareas estratégicas para la empresa.
Sin embargo, los líderes tecnológicos no pueden detenerse en la contratación. Debido a que casi todas las funciones existentes serán afectadas por la IA generativa, es fundamental centrarse en mejorar las habilidades de las personas basándose en una visión clara de las competencias necesarias para cada función, nivel de competencia y objetivos empresariales. Tomemos como ejemplo a los desarrolladores de software. La capacitación de los principiantes debe hacer hincapié en acelerar su camino para convertirse en los mejores revisores de código, además de generadores de código. De forma similar a la diferencia entre escribir y editar, la revisión de código requiere un conjunto de habilidades diferente. Los ingenieros de software deberán comprender qué aspecto tiene un buen código; revisar el código creado por la IA generativa para comprobar su funcionalidad, complejidad, calidad y legibilidad; y buscar vulnerabilidades mientras se aseguran de no introducir ellos mismos problemas de calidad o seguridad en el código. Además, los desarrolladores de software tendrán que aprender a pensar de forma diferente a la hora de codificar, comprendiendo mejor la intención del usuario para poder crear indicaciones y definir datos contextuales que ayuden a las herramientas de IA generativa a ofrecer mejores respuestas.
Más allá de la capacitación del talento tecnológico, los CIOs y los CTOs también pueden desempeñar un papel importante en el desarrollo de habilidades de IA generativa entre el talento no tecnológico. Además de comprender cómo utilizar las herramientas de IA generativa para tareas tan básicas como la generación de correos electrónicos y la gestión de tareas, los empleados de toda la empresa deberán sentirse cómodos utilizando una serie de capacidades para mejorar el rendimiento y los resultados. El CIO y el CTO pueden ayudar a adaptar los modelos académicos para proporcionar esta capacitación y las certificaciones correspondientes.
El valor decreciente de los ingenieros sin experiencia debería acelerar el paso de una pirámide de talento clásica, en la que el mayor número de personas está en un nivel júnior, a una estructura más parecida a un diamante, en la que el grueso de la fuerza laboral técnica está compuesto por personas con experiencia. En términos prácticos, eso significará desarrollar las habilidades de los empleados noveles lo más rápido posible, al tiempo que se reducen las funciones dedicadas a tareas manuales de baja complejidad (como escribir pruebas unitarias).
9. Evaluar el nuevo panorama de riesgos y establecer prácticas de mitigación continuas
La IA generativa presenta un nuevo conjunto de cuestiones y riesgos éticos, incluidas las "alucinaciones", por las que el modelo de IA generativa presenta una respuesta incorrecta basada en la respuesta de mayor probabilidad; la divulgación accidental de información confidencial de identificación personal; el sesgo inherente a los grandes conjuntos de datos que utilizan los modelos; y altos grados de incertidumbre relacionados con la propiedad intelectual (PI). Los CIOs y los CTOs deberán adquirir fluidez en cuestiones éticas, humanitarias y de cumplimiento para adherirse no solo a la letra de la ley (que variará según el país), sino también al espíritu de gestionar responsablemente la reputación de su negocio.
Abordar este nuevo panorama requiere una revisión significativa de las prácticas cibernéticas y actualizar el proceso de desarrollo de software para evaluar el riesgo e identificar las acciones de mitigación antes de que comience el desarrollo del modelo, lo que reducirá los problemas y garantizará que el proceso no se ralentice. Las acciones de mitigación de riesgos probadas para las alucinaciones pueden incluir el ajuste del nivel de creatividad (conocido como la "temperatura") de un modelo cuando genera respuestas; el aumento del modelo con datos internos relevantes para proporcionar más contexto; el uso de bibliotecas que imponen barreras a lo que se puede generar; el uso de modelos de “moderación” para verificar los resultados; y la adición de descargos de responsabilidad claros. Los primeros casos de uso de IA generativa deben centrarse en áreas en las que el costo del error sea bajo, para permitir que la organización pueda superar los inevitables contratiempos e incorpore lo aprendido.
Para proteger la privacidad de los datos, será fundamental establecer y hacer cumplir protocolos de etiquetado de datos sensibles, establecer controles de acceso a los datos en diferentes ámbitos (como los datos de compensación de recursos humanos), agregar protección adicional cuando los datos se usen externamente e incluir salvaguardas de privacidad. Por ejemplo, para mitigar el riesgo de control de acceso, algunas organizaciones han configurado una capa de gestión de políticas que restringe el acceso por funciones una vez que se da una indicación al modelo. Para mitigar el riesgo para la propiedad intelectual, los CIOs y los CTOs deben insistir en que los proveedores de modelos fundacionales mantengan la transparencia con respecto a la PI (fuentes de datos, licencias y derechos de propiedad) de los conjuntos de datos utilizados.
La IA generativa está lista para ser una de las categorías tecnológicas de más rápido crecimiento que jamás hayamos visto. Los líderes tecnológicos no pueden permitirse retrasos innecesarios en la definición y configuración de una estrategia de IA generativa. Aunque el sector continuará evolucionando rápidamente, estas nueve acciones pueden ayudar a los CIOs y los CTOs a aprovechar de manera responsable y eficaz el poder de la IA generativa a gran escala.