El mundo de los negocios recién está asimilando el enorme potencial de la IA generativa (conocida como Gen AI). Según McKinsey Global Institute, esta tecnología puede contribuir entre USD 2,6 y 4,4 billones anuales a la economía mundial. Además, el 50 por ciento de las actividades laborales podrían automatizarse en el período 2030-20601, una tendencia que la IA generativa sin dudas acelerará. Sin embargo, no hace falta mirar al futuro para percibir el impacto de esta tecnología: la IA generativa ya está siendo integrada a múltiples industrias en todo el mundo, desde productos farmacéuticos hasta servicios financieros.
La influencia y la velocidad de la IA generativa dependerán de cada región. McKinsey estima que podría aportar entre USD 20.000 y 30.000 millones anuales a la economía de América Central y el Caribe hacia 2030, equivalentes a cerca del 5 por ciento del PIB de la región2. En particular, podría alterar fundamentalmente sectores como servicios financieros, agricultura o tercerización de procesos de negocios (BPO), entre otros. A la par de sus beneficios, sin embargo, la IA generativa plantea desafíos y riesgos específicos que los líderes regionales deberán abordar.
Este artículo analiza el impacto, los desafíos y los riesgos asociados con la IA generativa, y describe los pasos que las compañías pueden tomar para desbloquear sus beneficios de manera rápida, responsable y sostenible.
Cómo puede la IA generativa crear valor en Centroamérica y el Caribe
Nuestro análisis revela que la IA generativa puede crear valor para las empresas de tres maneras: aumentando la productividad laboral, desarrollando nuevas capacidades, y facilitando la innovación y el crecimiento.
Aumentar la productividad laboral
Las investigaciones de McKinsey estiman que entre el 60 y el 70 por ciento de las actividades laborales estarán expuestas a cierto grado de automatización por la influencia de la IA generativa3. Con la automatización total o parcial de tareas repetitivas y tediosas, la IA generativa podría elevar sensiblemente la productividad laboral al liberar recursos para realizar tareas más complejas y creativas y reducir costos. Por ejemplo, un banco líder de la región utilizó Gen AI para elevar la productividad de sus desarrolladores el 40 por ciento, acelerando el tiempo de lanzamiento y la innovación. De manera similar, varios centros de contacto de todo el mundo han desplegado “copilotos” virtuales basados en Gen AI que ayudan a los agentes a responder consultas de clientes, con una mejora de la productividad cercana al 15 por ciento, según otro estudio de McKinsey.
Desarrollar nuevas capacidades
Desde interactuar con los clientes del banco hasta cuidar de los pacientes en un hospital, la IA generativa puede asistir en actividades como desarrollo de perspectivas y recomendaciones, ideación y resolución de problemas. Estos usos no solo permitirían a los trabajadores expandir su campo de acción, sino también elevar la calidad de las tareas. En el sector agrícola, por ejemplo, los modelos de Gen AI podrán analizar datos sobre composición de suelos, patrones climáticos y características de cultivos, y proveer a los agricultores información valiosa (por ejemplo, vía chat) sobre técnicas óptimas de sembrado, riego o control de plagas. Estos nuevos conceptos pueden contribuir a mejorar la productividad y la sostenibilidad de las industrias.
Facilitar la innovación y el crecimiento
La IA generativa también puede estimular la innovación y el crecimiento en la región creando nuevos productos y servicios y empoderando a las compañías para abordar problemas que hasta ahora parecían irresolubles. Por ejemplo, en el sector financiero, la IA generativa puede mejorar los modelos de riesgo, permitiendo la incorporación de personas no bancarizadas al sistema financiero. En educación, la IA generativa puede facilitar el desarrollo de materiales educativos interactivos y personalizados, y de esa manera ampliar el acceso a la educación para los estudiantes de toda Centroamérica. Y en todos los sectores, la IA generativa puede utilizar datos no estructurados para informar la toma de decisiones.
Abordar los desafíos y los riesgos de la IA generativa
Si bien la IA generativa plantea un enorme potencial, las compañías centroamericanas que estén considerando implementar esta tecnología deben ser conscientes de una serie de riesgos y desafíos. Entre estos riesgos y desafíos se encuentran el movimientos en la fuerza laboral y cambios en los requerimientos de talento, la disponibilidad y calidad de los datos y sistemas de información, y las implicaciones éticas, sesgos de modelos, confiabilidad y precisión, e infracción de la propiedad intelectual.
Movimientos en la fuerza laboral y cambios en los requerimientos de talento
Hacia 2030, según un análisis de McKinsey, millones de trabajadores de América Central podrían tener que cambiar de ocupación o de rol debido a los efectos de la IA generativa. Los trabajos con más probabilidades de ser afectados por la IA generativa son los relacionados con tareas de oficina y servicio a clientes. En paralelo, la IA generativa podría acentuar la demanda en áreas como ingeniería de instrucciones (o “prompts”) o ingeniería de datos, trabajos que requieren nuevas habilidades actualmente escasas (ver recuadro “Roles típicos en un centro de excelencia de IA generativa”). Las personas con trabajos de oficina o de soporte con bajos salarios (e.g., agentes de call center, personal administrativo) estarán más expuestos a tener que cambiar de ocupación que quienes ocupan puestos mejor pagos, y la mayoría probablemente deberá adquirir nuevas habilidades para lograrlo.
Esta dinámica plantea un gran desafío para Centroamérica, y requerirá una estrecha colaboración entre el sector público y el privado: menos de la mitad de la población sabe usar una computadora para tareas profesionales básicas, y los trabajadores han evidenciado una baja tasa de adopción de las herramientas virtuales en los últimos años 4. La región deberá abordar proactivamente este riesgo, invirtiendo en programas de capacitación y recalificación que preparen a la fuerza laboral para la transición.
Disponibilidad y calidad de los datos y sistemas de información
Los modelos de Gen AI requieren datos de alta calidad para producir resultados precisos y confiables. Mientras que la IA tradicional utiliza típicamente datos estructurados, la IA generativa emplea datos no estructurados como texto, imágenes y video, lo que plantea nuevos desafíos incluso para compañías con operaciones de IA consolidadas. Adicionalmente, gestionar sistemas de información heterogéneos, incluidas herramientas prexistentes e iniciativas locales y en la nube, dificulta la integración y las tareas de mantenimiento.
En América Central, las empresas aún enfrentan problemas de disponibilidad y calidad de los datos y de capacidad de almacenamiento. La falta de datos o de sistemas adecuados podría colocar a la región en una posición desventajosa y complicar la adopción de la IA generativa. En consecuencia, algunas compañías quizás tengan que realizar fuertes inversiones para acceder a conjuntos de datos diversos y representativos.
Implicaciones éticas, sesgos de modelos, confiabilidad y precisión, e infracción de la propiedad intelectual
Los modelos de IA generativa pueden reflejar sesgos implícitos en los datos de entrenamiento, o divulgar inadvertidamente información privada contenida en ellos. Las organizaciones tendrán que definir pautas para prevenir resultados sesgados que puedan afectar a usuarios y causar daños reputacionales. También deberán dictar normas para proteger la privacidad de las personas. Dado que la mayoría de las organizaciones de Centroamérica aún se encuentra en la fase inicial de sus modelos de gobierno de datos e IA, estas acciones cobran aún más importancia.
La IA generativa también puede utilizarse para crear imágenes, videos o textos realistas pero falsos (conocidos como deepfakes), que hacen difícil determinar si el contenido es auténtico o no. Estas capacidades implican un alto riesgo de desinformación y manipulación, que podría conducir a agitación social, inestabilidad política y daño a la reputación.
Cuando ocurre un hecho de este tipo, asignar responsabilidades puede resultar muy difícil por la gran variedad de actores involucrados, desde desarrolladores de componentes y prestadores de datos hasta proveedores de modelos y servicios en la nube. Por ejemplo, si un modelo de IA generara un diagnóstico equivocado que conduce al fallecimiento de un paciente, ¿quién sería el responsable?.
Los datos usados para entrenar los modelos de Gen AI también pueden presentar riesgos significativos de propiedad intelectual (PI), entre ellos la infracción de derechos sobre materiales, marcas, patentes o activos similares. Al utilizar la herramienta de IA generativa de un proveedor, las compañías tendrán que resguardar sus datos a fines de proteger sus derechos de PI y los de otras organizaciones. Los reguladores pueden establecer pautas claras por medio de estructuras que definan derechos de propiedad y establezcan responsabilidades por los productos de la IA generativa.
Cómo pueden capturar las organizaciones de la región el valor de la IA generativa
En una reciente encuesta de McKinsey con más de 100 compañías con facturación anual superior a USD 50 millones, el 63 por ciento de los participantes afirmó que una de sus principales prioridades es implementar IA generativa en su organización . Sin embargo, el 91 por ciento de ellos no se siente preparado para hacerlo de manera responsable y sostenible. Para acelerar la implementación de la IA generativa, las compañías centroamericanas pueden perseguir siete estrategias.
1. Definir una estrategia a largo plazo y repensar los dominios de principio a fin vs. poner el foco en los casos de uso
La IA generativa tiene alto potencial para redefinir ciertos dominios de negocios a lo largo de la cadena de valor (por ejemplo, marketing para una empresa B2C, u operaciones para un fabricante). No obstante ello, su facilidad de despliegue puede tentar a algunas organizaciones a aplicarla a casos de uso aislados, lo que podría resultar en pruebas de concepto y MVPs paralizados debido a la falta de patrocinio, impacto o ambos. Para aprovechar la IA generativa en un dominio como marketing, servicio a clientes o finanzas, las compañías deben priorizar una visión de principio a fin. Mediante este ejercicio, las organizaciones pueden identificar los casos de uso que posibilitarán la transformación de un dominio y desarrollar una estrategia a largo plazo que incluya cambios organizacionales y culturales, construcción de capacidades e inversiones (ver recuadro “Cómo puede la IA generativa reinventar el servicio a clientes”).
2. Seleccionar un dominio insignia para demostrar el potencial transformador de Gen AI y su viabilidad de aplicación
Para lograr una transformación con IA generativa y crear momentum, las compañías necesitarán contar con el apoyo de los miembros clave de la organización. Ese apoyo puede obtenerse demostrando cómo la tecnología puede generar valor para el negocio y llevarlo al siguiente nivel. Al igual que con la IA tradicional, este objetivo puede alcanzarse poniendo el foco en los dominios “insignia”: áreas o funciones de negocios con potencial para crear valor significativo con la asistencia de la IA generativa, visibles para el resto de la organización, con un rol clave para la estrategia del negocio, y que poseen madurez tecnológica suficiente para implementar Gen AI (Gráfico). La correcta selección de los dominios insignia variará según el tipo de organización. En un banco, por ejemplo, un dominio insignia puede ser adquisición de clientes o cobranzas.
Una vez identificados los dominios relevantes y los casos de uso de Gen AI, recomendamos seleccionar uno o dos casos fáciles de implementar y lanzar una prueba de concepto para testearlos y refinarlos rápidamente antes de escalar a casos de uso adyacentes. Poniendo el foco en lograr beneficios rápidos que entreguen resultados significativos, las compañías podrán obtener soporte y expandir la transformación, apalancando la naturaleza multi-propósito de la IA generativa.
3. Formar un equipo de gobierno multi-funcional dedicado a la IA generativa
La IA generativa requiere un abordaje reflexivo y coordinado para balancear su impacto con el riesgo subyacente. Nuestra recomendación es formar un grupo multi-funcional de líderes de áreas como ciencia de datos, ingeniería, legales, ciberseguridad, marketing, diseño y otras funciones de negocios. Este grupo no solo ayudará a identificar y priorizar los casos de uso de mayor valor, sino que también operará como una “torre de control”, capturando el impacto, construyendo capacidades y llevando a cabo una implementación segura y coordinada en toda la organización.
4. Crear un ecosistema tecnológico integrado con datos apropiados
Los modelos de lenguaje de gran tamaño son solo la punta del iceberg; se necesitan otros factores clave para implementar con éxito casos de uso de Gen AI. Una estrategia de tecnología y datos clara, diseñada para generar valor para la empresa y ventajas competitivas, es igualmente crítica. Cada caso de uso tiene sus propios requerimientos de infraestructura tecnológica para una organización. Una implementación exitosa requiere ciertos elementos clave, como una infraestructura robusta en la nube, una interfaz de usuario que facilite el acceso a la tecnología, y modelos de IA tradicionales en producción, entre otros. Las compañías quizás necesiten además procesar datos no estructurados de otras fuentes, diseñar un mecanismo de etiquetado para organizar esa información adecuadamente, construir infraestructura que facilite el acceso a esas nuevas fuentes, y establecer un sistema de gobierno enfocado en la calidad y la seguridad de los datos.
5. Desarrollar el talento requerido y nuevas habilidades
Desplegar IA generativa para crear valor en el negocio exige que las compañías desarrollen capacidades técnicas y su fuerza laboral actual. La alta dirección debe evaluar los casos de uso priorizados y garantizar que la organización cuente con las habilidades necesarias, que pueden incluir roles técnicos y una combinación de talento de ingeniería, datos, diseño, riesgo, productos y otras funciones.
Además de contratar el talento adecuado, las empresas deben entrenar y desarrollar a sus empleados actuales 6. Las aplicaciones de IA generativa cuentan con interfaces conversacionales intuitivas, pero los usuarios aún deben optimizar las instrucciones (prompts), entender las limitaciones de la tecnología y conocer dónde y cuándo integrar la aplicación a sus flujos de trabajo. Asimismo, los usuarios deben ser entrenados para identificar y mitigar los riesgos de la IA generativa 7. Los líderes de las compañías de la región deben dictar pautas claras sobre el uso de las herramientas de Gen AI y proveer educación y capacitación a sus empleados para usar la tecnología en forma eficiente.
6. Balancear riesgo con creación de valor
Los mejores casos de uso tienen en cuenta la tolerancia al riesgo de la organización y el impacto potencial de la oportunidad. Por ejemplo, una organización podría priorizar un caso de uso menos valioso pero de bajo riesgo, como crear modelos de mensajes de marketing preliminares a ser revisados por un empleado antes de su envío. Particularmente, los usuarios de la tecnología y los revisores tendrán que ser capacitados para gestionar adecuadamente los riesgos de la IA generativa8. En paralelo, una compañía podría trabajar en casos de uso de mayor valor y alto riesgo, como un agente virtual que interactúe directamente con clientes y atienda sus requerimientos. Para implementar un caso de uso como este será menester desarrollar un sistema de protecciones robusto, lo que puede demandar tiempo y recursos adicionales para capturar el valor de manera segura.
7. Forjar alianzas estratégicas
Las organizaciones no necesitan desarrollar todas las aplicaciones o modelos por sí solas; por el contrario, pueden asociarse con proveedores y expertos en Gen AI para moverse con más rapidez9. De igual manera, no es necesario crear todas las medidas de protección contra riesgos desde cero, sino en colaboración con terceros que ya hayan iniciado ese recorrido. Las compañías pueden recurrir a las capacidades de proveedores de computación en la nube. En términos generales, las compañías deberán analizar los requerimientos de cada aplicación de IA generativa, cuán vital resulta para la estrategia de la empresa, y en qué medida prevén diferenciar su propuesta con cada caso de uso. Con este análisis, las compañías podrán definir una estrategia de colaboración y de inversión.
La IA generativa tiene un potencial enorme para transformar la productividad en una variedad de sectores en Centroamérica, como agricultura, educación, banca o centros de contacto. Sin embargo, su implementación plantea desafíos en términos de disponibilidad y calidad de los datos, requerimientos tecnológicos, movimientos en la fuerza laboral, cambios en la demanda de talentos, consideraciones éticas y gestión de los riesgos. Si se abordan