Los cinco mayores desafíos de adopción de la IA para 2025

Hace cinco años, Rob Thomas y Paul Zikopoulos de IBM crearon un marco para la adopción exitosa de la inteligencia artificial (IA) llamado AI Ladder, un "enfoque unificado y prescriptivo para ayudar a los líderes a entender y acelerar el viaje de la IA". El marco se convirtió en un libro, del que se burló con un gancho que ahora parece bastante pintoresco:

"Todo el mundo habla de la IA. ¿Por qué? Bueno, creemos que la IA presenta una gran oportunidad para empresas de todos los tamaños en cualquier sector".

Teniendo en cuenta el panorama actual de la IA, es curioso imaginar un mundo en el que Rob y Paul sintieran la necesidad de persuadir a los lectores de que la IA iba a ser algo importante. También son notables los "peldaños" de la escalera: modernizar, recopilar, organizar, analizar e infundir.

En 2020, había numerosas organizaciones que ni siquiera habían comenzado a dar ese primer paso. Tan solo cinco años después, no es necesario un informe de McKinsey para saber que la IA es el futuro.

Prácticamente todas las organizaciones pueden adoptar la IA en un grado u otro. Los nuevos avances tecnológicos han facilitado la realización de integraciones de IA que producen un retorno de la inversión (ROI) inmediato.

La falta de entusiasmo por la IA nunca es una cuestión de incertidumbre sobre el potencial de la IA, sino sobre cómo hacerlo bien.

El IBM Institute of Business Value publicó un informe que reveló algunos datos interesantes sobre la adopción de la IA, a saber, los obstáculos que aún impiden que las organizaciones avancen con la inteligencia artificial generativa (IA gen). 

Casi la mitad de los encuestados indicaron preocupación por la precisión o el sesgo de los datos. Los líderes empresariales pueden superar estas preocupaciones dando prioridad al gobierno, la transparencia y la ética de la IA.

El gobierno de la IA es esencial para alcanzar un estado de cumplimiento, confianza y eficiencia en el desarrollo y la aplicación de tecnologías de IA. Un gobierno eficaz de la IA incluye mecanismos de supervisión que abordan los riesgos como los prejuicios, la infracción de la privacidad y el uso indebido, al tiempo que fomentan la innovación y generan confianza. 

Las estructuras de gobierno sólidas, como los comités éticos de IA y el cumplimiento de los marcos, ayudan a mantener la rendición de cuentas y la implementación responsable de la IA.

La ética de la IA es un campo multidisciplinar que estudia cómo optimizar el impacto beneficioso de la IA a la vez que se reducen los riesgos y los resultados adversos. La ética de la IA abarca la responsabilidad y la protección de los datos, la equidad, la explicabilidad, la solidez, la transparencia y otras consideraciones éticas.

Los controles de equidad y otras medidas correctivas entran en el ámbito de la ética de la IA y ayudan a garantizar que los outputs de la IA sean fiables y equitativos.

La transparencia de la IA ayuda a las personas a acceder a la información para comprender mejor cómo se creó una solución de IA y cómo toma decisiones. Los investigadores suelen describir la inteligencia artificial como una "caja negra", ya que aún puede ser difícil explicar, gestionar y regular los resultados de la IA debido al creciente nivel de complejidad de la tecnología. La transparencia de la IA ayuda a abrir esta caja negra para comprender mejor los resultados de la IA.

Alrededor del 42 % de los encuestados dijeron que sentían que sus organizaciones carecían de acceso a suficientes datos propietarios. Las empresas pueden superar el importante reto de la insuficiencia de datos de alta calidad para personalizar los modelos de IA generativa mediante el uso de una combinación de aumento de datos, generación de datos sintéticos y asociaciones estratégicas de datos.

Un método eficaz consiste en mejorar los conjuntos de datos existentes mediante técnicas de aumento como la paráfrasis, la traducción o la adición de ruido para aumentar la diversidad sin necesidad de recopilar datos totalmente nuevos.

Los datos sintéticos creados artificialmente mediante simulación por ordenador o generados por algoritmos de IA pueden reemplazar a los datos del mundo real. Los datos se pueden utilizar como alternativa o complemento a los datos del mundo real cuando no están fácilmente disponibles.

Otra estrategia clave es formar asociaciones estratégicos y participar en iniciativas de intercambio de datos en todo los sectores. La colaboración con empresas, instituciones de investigación o consorcios no competidores permite a las empresas acceder a conjuntos de datos más grandes y diversos, evitando preocupaciones éticas y cumpliendo las normas legales.

El aprendizaje federado, en el que los modelos se entrenan en fuentes de datos descentralizadas sin compartir datos sin procesar, es otra forma de obtener beneficio de los datos externos manteniendo la seguridad y el cumplimiento.

La generación de IA es aún nueva, pero las empresas pueden abordar la falta de experiencia en IA generativa invirtiendo en el desarrollo del talento, en asociaciones estratégicas y en herramientas de IA accesibles.

Uno de los enfoques más efectivos es mejorar las habilidades de los empleados existentes a través de programas de capacitación especializados, talleres y certificaciones en IA y machine learning (ML). Proporcionar experiencia práctica con las herramientas de IA y fomentar una cultura de aprendizaje continuo ayudan a cerrar la brecha de habilidades interna.

Además de desarrollar experiencia interna, las empresas pueden colaborar con proveedores de IA, instituciones de investigación y empresas de consultoría para obtener acceso a conocimientos especializados.

La asociación con empresas emergentes de IA o proveedores de tecnología permite a las empresas utilizar la experiencia externa sin necesidad de construir todo desde cero. Participar en el ecosistema de código abierto también puede proporcionar conocimientos valiosos y modelos prediseñados que reducen la complejidad de implementar una estrategia de IA.

Otra solución es adoptar plataformas de IA low-code o no-code que permitan a los empleados con una formación técnica limitada trabajar con IA generativa. Estas herramientas simplifican la implementación y la personalización de la IA, lo que facilita a las empresas la integración de la IA en sus flujos de trabajo sin necesitar una gran experiencia.

Las empresas deben abordar la justificación financiera para explorar las iniciativas de IA generativa centrándose en el ahorro de costes, el crecimiento de los ingresos, la ventaja competitiva y la mitigación de riesgos.

Necesitan identificar casos de uso específicos en los que las capacidades de la IA generativa puedan impulsar la eficiencia, como la automatización de procesos empresariales, la generación de contenidos de marketing o la aceleración de la transformación digital.

Al cuantificar los beneficios de la IA, como la reducción de los costes laborales de la automatización de la cadena de suministro, el tiempo de comercialización más rápido o la mejora del compromiso con el cliente, las empresas pueden estimar el ROI.

Las empresas también deben considerar todo el potencial de las nuevas fuentes de ingresos, como las ofertas de productos con IA, las experiencias personalizadas de los clientes o la toma de decisiones en tiempo real. Comenzar con proyectos piloto pequeños y de bajo riesgo puede proporcionar resultados tangibles que justifiquen nuevas inversiones.

La evaluación de riesgos también desempeña un papel en la justificación financiera. Las organizaciones deben sopesar el coste de la inacción, incluida la pérdida de cuota de mercado a manos de competidores impulsados por IA o las ineficiencias que los proyectos de IA podrían resolver.

Las preocupaciones por la protección siguen siendo una barrera importante para la implementación de la IA generativa. Una vez más, el gobierno de datos y los principios de IA responsable son importantes. Un primer paso crucial es limitar la exposición de los datos confidenciales mediante el uso de técnicas de gestión de datos como la anonimización, la privacidad diferencial y el cifrado antes de introducir información en los modelos de IA.

Esto reduce el riesgo de exponer información de identificación personal (PII) o datos comerciales de propiedad exclusiva. Las empresas también deben ayudar a garantizar que los sistemas de IA siguen estrictos controles de acceso y mecanismos de auditoría para rastrear quién interactúa con los datos y cómo se utilizan.

El aprendizaje federado puede ser un enfoque eficaz, ya que permite entrenar modelos de IA en múltiples conjuntos de datos descentralizados sin mover los propios datos, preservando así la privacidad.

El cumplimiento de la normativa es otro factor clave. Las empresas deben alinear su uso de la IA con las leyes globales de protección de datos, como RGPD, CCPA y regulaciones específicas del sector. La realización periódica de evaluaciones de impacto en la privacidad y el mantenimiento de una documentación clara sobre cómo las aplicaciones de IA manejan los datos pueden ayudar a las empresas a cumplir la normativa y a ganarse la confianza de los clientes. 

El lado positivo es que muchas organizaciones están bien encaminadas para hacer frente a estos retos:

• El 80 % de los encuestados tienen una parte separada de su función de riesgos dedicada a los riesgos asociados con la IA o la IA generativa.

• El 81 % realizan evaluaciones de riesgos periódicas para identificar posibles amenazas a la seguridad introducidas por la IA generativa.

• El 78 % mantienen una documentación sólida para explicar mejor cómo funcionan y se han entrenado los modelos de IA generativa.

• El 76 % establecen estructuras organizativas, políticas y procesos claros para el gobierno de la IA generativa.

• El 72 % desarrollan políticas y procedimientos para gestionar los datos y abordar los riesgos potenciales.

Superar los retos habituales para la adopción de la IA requiere un enfoque holístico que incluya no solo a los equipos de desarrollo de IA, sino también a los stakeholders de los departamentos de tecnología, finanzas, seguridad y jurídico. Sin embargo, teniendo en cuenta lo rápido que avanza la tecnología, el mejor momento para que los rezagados se pongan en marcha es hoy.