Los cinco mayores retos para la adopción de la IA en 2025

Hace 5 años, Rob Thomas y Paul Zikopoulos, de IBM, crearon un marco para la adopción satisfactoria de la inteligencia artificial (IA) llamado IA Ladder, un “enfoque unificado y prescriptivo para ayudar [a los líderes] a comprender y acelerar el recorrido de la IA”. Este marco se convirtió en un libro, que se lanzó con un argumento que ahora parece bastante anticuado:

“Todo el mundo está hablando de la IA. ¿Por qué? Bueno, creemos que la IA presenta una gran oportunidad para las empresas de todos los tamaños en cualquier industria”.

Teniendo en cuenta el escenario 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 destacan los “peldaños” de la escalera: modernizar, recopilar, organizar, analizar e infundir.

En 2020, había numerosas organizaciones que ni siquiera habían puesto un pie en el primer peldaño. Apenas 5 años después, no hace falta 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 las 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 aprovecharla.

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

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 a los aspectos de gobernanza, transparencia y ética de la IA.

La gobernanza de la IA es esencial para alcanzar un estado de cumplimiento, confianza y eficiencia en el desarrollo y la aplicación de tecnologías de IA. Una gobernanza de la IA eficaz incluye mecanismos de supervisión que abordan riesgos, tales como sesgos, violación de la privacidad y uso indebido, al tiempo que fomentan la innovación y generan confianza. 

Las estructuras de gobernanza robustas, como los comités para la ética de la IA y la conformidad con los marcos normativos ayudan a mantener la rendición de cuentas y el despliegue de IA responsable.

La ética de la IA es un campo multidisciplinario que estudia cómo optimizar el impacto beneficioso de la IA al tiempo que se reducen los riesgos y los resultados adversos. La ética de la IA abarca la responsabilidad y privacidad de los datos, la equidad, la explicabilidad, la robustez, la transparencia y otras consideraciones éticas.

Los controles de imparcialidad y otras medidas correctivas son parte de la ética de la IA y ayudan a garantizar que las salidas que arroja la IA sean confiables y equitativas.

La transparencia de la IA da a las personas acceso a información para que comprendan mejor cómo se creó una solución de IA y cómo toma decisiones. Los investigadores a veces describen 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 afirmaron que sentían que sus organizaciones carecían de acceso a suficientes datos patentados. Las empresas pueden superar el gran desafío de la insuficiencia de datos de alta calidad para personalizar los modelos de IA generativa al combinar el aumento de datos, la generación de datos sintéticos y las alianzas estratégicas de datos.

Un enfoque eficaz es mejorar el conjunto de datos existente a través de técnicas de aumento como la paráfrasis, la traducción o la adición de ruido para aumentar la diversidad sin recopilar datos completamente nuevos.

Los datos sintéticos creados artificialmente a través de la simulación por computadora o generados por algoritmos de IA pueden sustituir a los datos del mundo real. Los datos se pueden emplear como alternativa o para complementar los datos del mundo real cuando no es fácil disponer de ellos.

Otra estrategia clave es formar alianzas estratégicas y participar en iniciativas de intercambio de datos en la industria. La colaboración con empresas, instituciones de investigación o consorcios que no compiten permite a las empresas acceder a conjuntos de datos más grandes y diversos al tiempo que evitan preocupaciones en torno a la ética y se adhieren a los estándares legales.

El aprendizaje federado, donde los modelos se entrenan a través de fuentes de datos descentralizadas sin compartir datos sin procesar, es otra forma de obtener beneficio de los datos externos mientras se mantiene la seguridad y la conformidad.

La IA generativa aún es nueva, pero las empresas pueden abordar el aspecto de la falta de pericia en la materia al invertir en el desarrollo de talento, alianzas estratégicas y herramientas de IA accesibles.

Una de las técnicas más eficaces es la de mejorar las habilidades de los empleados actuales a través de programas de capacitación especializados, talleres y certificaciones en IA y aprendizaje automático (ML). Proporcionar experiencia práctica con herramientas de IA y fomentar una cultura de aprendizaje continuo ayuda a cerrar la brecha de habilidades dentro de la organización.

Además de desarrollar pericia dentro de la organización, las empresas pueden colaborar con proveedores de IA, instituciones de investigación y firmas consultoras en IA para obtener acceso a información especializada.

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

Otra solución es adoptar plataformas de IA de bajo código o sin código que permitan a los empleados con poca formación técnica trabajar con IA generativa. Estas herramientas simplifican el despliegue y la personalización de la IA, lo que facilita a las empresas integrar la IA en sus flujos de trabajo sin necesidad de tener gran pericia.

Las empresas deben proporcionar una justificación financiera para explorar las iniciativas de IA generativa centrándose en la reducción de costos, el crecimiento de los ingresos, la ventaja competitiva y la mitigación de riesgos.

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

Al cuantificar los beneficios de la IA, como la reducción de costos laborales derivada de la automatización de la cadena de suministro, el tiempo de comercialización más rápido o la mejor interacción con los clientes, 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 impulsadas por IA, las experiencias del cliente personalizadas o la toma de decisiones en tiempo real. Comenzar con proyectos piloto pequeños y de bajo riesgo puede proporcionar resultados tangibles que justifiquen una mayor inversión.

La evaluación de riesgos también es importante en una justificación financiera. Las organizaciones deben sopesar el costo de la inactividad, incluyendo la pérdida de cuota de mercado frente a competidores impulsados por IA o las ineficiencias que los proyectos de IA podrían resolver.

Las preocupaciones por la privacidad siguen siendo una gran barrera para la implementación de la IA generativa. Una vez más, la gobernanza de datos y los principios de la IA responsable también 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 ingresar información en los modelos de IA.

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

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

El cumplimiento normativo es otro factor fundamental. Las empresas deben alinear su uso de IA con las leyes globales de privacidad de datos, como el RGPD, la CCPA y reglamentos específicos de la industria. Llevar a cabo evaluaciones periódicas del impacto en la privacidad y mantener una documentación clara sobre la manera en que las aplicaciones de IA manejan los datos puede ayudar a las empresas a cumplir con la normativa y a generar 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 cuenta con una área dedicada únicamente a los riesgos asociados con la IA o la IA generativa en su departamento de riesgos.

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

• El 78 % mantiene una documentación sólida para mejorar la explicabilidad de cómo funcionan los modelos de IA generativa y cómo se entrenan.

• El 76 % establece estructuras, políticas y procesos organizacionales claros para la gobernanza de la IA generativa.

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

Para superar los desafíos comunes que supone la adopción de la IA se requiere una perspectiva holística 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, considerando lo rápido que avanza la tecnología, el mejor momento para que los rezagados comiencen es hoy mismo.