La integración de la IA en su organización comienza con la identificación de cómo las plataformas de IA, los modelos fundacionales, la IA generativa y el machine learning (ML) se alinean con los objetivos clave. Las empresas tienden a sobrestimar el impacto de las capacidades de IA y a subestimar su complejidad, lo que obliga a los responsables de datos y análisis a gestionar las expectativas o arriesgarse a costosos fracasos de los proyectos².

"Si eres un líder de datos, piensa en las peticiones que más reciben tus equipos y en cómo la IA podría facilitar dichas líneas de negocio", dice Ann Leach, directora de gestión de productos de la cartera de IBM. "¿Dónde pueden infundir IA para ayudar a tomar decisiones, crear mejores flujos de trabajo y procesos, o proporcionar información a la empresa que impulse la visión de futuro?".

Para sacar el máximo partido a sus aplicaciones de IA, tenga en cuenta estas directrices:

Conectar con los resultados empresariales

Trabaje con la dirección para servir a los objetivos empresariales generales de su organización. Tim Humphrey, director de análisis de IBM, sugiere que tanto si se está considerando un caso práctico IA con un líder de marketing, recursos humanos, cadena de suministro, ventas o gestión de activos, se debe preguntar hacia dónde intenta llevar el líder esa función u organización. Hay que entender dónde está ahora y hacia dónde debe ir. Humphrey añade: "Si no se puede aplicar la IA a lo largo de ese continuo en su etapa actual y futura, ni siquiera se debería plantear su implantación".

Realizar ensayos previamente

Con la IA, realice pruebas de concepto hasta que encuentre la solución adecuada. Luego optimícela. "En lugar de dedicar mucho tiempo a hacerlo todo perfecto, soy partidaria de hacer muchas pruebas de concepto hasta dar con la que mejor funcione", afirma Caroline Carruthers, CEO de Carruthers and Jackson y autora de The Chief Data Officer's Playbook.

Fijar objetivos y realizar su seguimiento

Defina los KPI que midan el éxito para cada caso práctico. Supongamos que el proyecto trata sobre la identificación de fraudes con tarjetas de crédito y a usted le gustaría que la IA detectara el 95 % de los casos fraudulentos. El seguimiento de sus progresos mediante métricas le permite asignar y monitorizar los niveles de rendimiento de la IA y demostrar el valor de la IA a las partes interesadas.

Uno de los aspectos más difíciles del trabajo de un líder de datos es establecer formas rápidas y fiables de pasar de los datos a la información. Se necesitan los datos adecuados para ejecutar el modelo, pero no todos los datos son aptos para la IA.


"La raíz de todo reside en el conjunto de datos apropiado para un caso practico específico, y sin eso no hay IA que valga, punto", afirma Remus Lazar, vicepresidente de desarrollo de software de Data Fabric, IBM. Señala el ejemplo de una aerolínea que quiere que la IA predictiva prevea si los pasajeros pueden tomar sus vuelos de conexión. "Si solo se han recogido datos sobre los pasajeros que perdieron sus conexiones, y no sobre los que llegaron a sus vuelos, el conjunto de datos es insuficiente. Sin los conjuntos de datos adecuados nunca podrás resolver el caso práctico".

Revise su arquitectura de datos

Más de la mitad de las organizaciones citan los datos como la causa del estancamiento de los proyectos de IA. Una arquitectura de datos moderna, como un data fabric, proporciona funciones integradas de calidad y gobierno de datos. Permite a sus científicos de datos autogestionar los datos independientemente de dónde residan, con todos los requisitos de gobierno y privacidad aplicados automáticamente. Este planteamiento ofrece a los usuarios datos fiables en todo momento y acceso a fuentes dispares en tiempo real con un gobierno completo que allana el camino a la agilidad y la velocidad.

Impulse sus modelos con datos fiables

En un momento en el que la normativa y la ética en torno a la IA son cambiantes y complejas, siempre hay que preguntarse: ¿Cuál es el gobierno en torno a estos datos? ¿Pueden utilizarse para este fin? La calidad y el gobierno de datos son fundamentales para escalar con éxito las soluciones de IA. Considere las siguientes preguntas a las que su organización necesita respuestas antes de poder confiar en las decisiones del algoritmo.


• Por ejemplo, ¿necesita datos externos o internos?
• ¿Utiliza datos históricos?
• Si es así, ¿es ético según los estándares actuales?

Depende de usted, como responsable de los datos, determinar quién controla los datos, quién tiene acceso al software y las aplicaciones de IA y quién necesita acceso para garantizar que las iniciativas de IA sean útiles.

Compromiso con la IA ética

Las directrices para una IA responsable incluyen consideraciones como la seguridad, la explicabilidad y el sesgo. Si utiliza datos históricos para alimentar un modelo, asegúrese de que se ajustan a la ética y la sensibilidad actuales de la sociedad. Por ejemplo, las actitudes en torno al género, la raza, el sexo, la clase social y la edad no son las mismas hoy que en los años setenta. Utilizar un conjunto de datos obsoletos podría perpetuar el sesgo de la IA, sesgando los resultados desde el principio. Las organizaciones pueden distinguirse afrontando las cuestiones éticas de forma estratégica, decidida y reflexiva.

La IA empresarial exige la misma comunicación, estructura y rigor que las áreas más consolidadas de una organización. Sin embargo, el desarrollo de modelos se realiza con demasiada frecuencia en el portátil de un científico de datos, y la orquestación se hace manualmente, o ad hoc, utilizando código y scripts personalizados. Por eso necesita operaciones de machine learning (MLOps), que es la aplicación de capacidades de IA, como el procesamiento del lenguaje natural (PLN) y los modelos de ML, para automatizar y agilizar los flujos de trabajo operativos. Tampoco hay que pasar por alto el aumento de eficiencia que suponen los modelos de IA flexibles y reutilizables, como los modelos básicos.

Acelere los flujos de trabajo de manera eficiente

Resulta útil disponer de un conjunto de buenas prácticas para las plataformas de IA empresariales que acelere y sincronice la colaboración entre sus equipos de ciencia de datos y el departamento de TI.

"Lo que se quiere es crear la capacidad de implementar automáticamente modelos seguros en el perímetro, en los servicios web, en los mainframes y en el hardware adecuado, y justificarlo", afirma Steven Eliuk, Vicepresidente de IA y gobierno de la oficina global de datos de IBM. "En IBM, siempre estamos buscando formas de permitir a los grupos poner sus modelos en producción más rápidamente, pero de forma segura y gobernada", añade Eliuk.

Solucione los errores humanos

MLOps automatiza los procesos manuales y ayuda a eliminar los costosos errores humanos, reduciendo el riesgo y haciendo que la empresa sea mucho más ágil. Además de agilizar la producción, MLOps ayuda a que los modelos funcionen como deben, para que haya confianza en todo el ciclo de vida de la IA. Le ayuda a responder a preguntas críticas como: ¿Están sesgados estos datos para empezar? ¿Tiene suficientes muestras representativas en el conjunto de datos? Cuando te pones a desarrollar, ¿estás utilizando los algoritmos adecuados, o esos algoritmos perpetuarán el sesgo que ya existe en los datos?

He aquí cómo un líder de datos ha puesto en práctica los MLOps: "Tenemos a nuestros MLOps comprobando constantemente la calidad, probando la calidad de nuestras predicciones y la calidad de nuestro ML", explica Peter Jackson, director de datos y operaciones de Outra. "Disponemos de toda una serie de paneles de control que informan al equipo directivo y en los que podemos ver la calidad y el poder predictivo de esos modelos. Y si observamos un descenso en el transcurso de un mes, desentrañaremos nuestros programas de machine learning y examinaremos las fuentes de datos para ver por qué no están funcionando".

Las organizaciones se enfrentan a graves riesgos para la reputación de su marca si sus modelos de IA son sesgados o inexplicables. También podrían enfrentarse a auditorías gubernamentales y multas millonarias por no cumplir unos requisitos normativos complejos y cambiantes. Todos estos problemas pueden tener un impacto devastador en las relaciones con clientes y accionistas.

Conozca y confíe en su modelo de IA

Los modelos de caja negra que carecen de procesos transparentes preocupan cada vez más a las partes interesadas en la IA. Estos modelos se construyen e implementan, pero carecen de transparencia. No siempre es fácil averiguar cómo y por qué el modelo tomó la decisión, ni siquiera para el científico de datos. Y con el aumento de las normativas, como la ley de la ciudad de Nueva York que regula cómo se utiliza la IA en la contratación y la propuesta de Ley de IA de la Unión Europea, las empresas deben espabilarse, y rápido.


El gobierno de la IA es el proceso global de dirección, gestión y monitorización de las actividades de IA en todos los procesos empresariales. Los líderes de datos deben trabajar con los directores de riesgos, los de conformidad y con otras partes interesadas clave desde el inicio de un proyecto de IA para desarrollar un marco de gobierno de la IA. Este marco debe esbozar las buenas prácticas de la empresa para desarrollar, implementar y gestionar modelos de IA y, en última instancia, eliminar la caja negra.

Seguimiento de modelos de principio a fin

El gobierno de la IA establece guardarraíles en cada etapa del ciclo de vida de la IA y el ML, incluida la recopilación de datos, la creación de modelos, la implementación, la gestión y la monitorización. Estos guardarraíles dan lugar a procesos más transparentes y proporcionan resultados explicables a las principales partes interesadas y a los clientes. Implementar el gobierno de la IA de principio a fin le ayuda a gestionar mejor el riesgo y la reputación, a adherirse a los principios éticos y a proteger y escalar frente a las normativas gubernamentales.

Un importante minorista estadounidense recurrió a IBM para que le ayudara a resolver problemas de equidad en las herramientas y los sistemas de selección de candidatos. Para este empleador era fundamental integrar la equidad y la confianza, incluida la capacidad de identificar los sesgos y explicar las decisiones dentro de su modelo de IA y ML utilizado para la contratación. La empresa utilizó IBM® Cloud Pak for Data para gestionar de forma coherente los modelos basados en IA y garantizar su precisión y equidad. Ahora, la empresa controla y mitiga de forma proactiva los sesgos en sus procesos de contratación.

Muestre su trabajo

IBM también aplica este enfoque a nivel interno. "Si una determinada normativa exige transparencia o capacidad de explicación, nos aseguramos de que el algoritmo o la evaluación de impacto muestre esos detalles, de modo que podamos cambiar rápidamente para un cumplimiento continuo de la nueva normativa en lugar de afectar al negocio", afirma Eliuk.

A medida que la IA pasa de la experimentación a la criticidad empresarial, las organizaciones están viendo la necesidad de implementar de forma proactiva el gobierno de la IA para impulsar una IA transparente y explicable. La falta de guardarraíles en torno a la IA puede hacer descarrilar los proyectos de IA y frenar la innovación.