Para crear una ventaja competitiva a través de la IA generativa, empiece de forma inteligente y empiece ya

Escrito por Pratap Khedkar and Arun Shastri
Lectura 14 minutos
8 de noviembre 2023

La IA generativa es posiblemente el mayor avance tecnológico de nuestras vidas. Pero si bien crea una gran oportunidad para las empresas que la adoptan con rapidez e inteligencia, también supone un gran riesgo para las que tardan en actuar.

Para los ejecutivos que analizan el panorama de la IA generativa, es comprensible una mezcla de asombro y aprensión. Entonces, ¿por qué la IA generativa representa un salto tan grande en comparación con las técnicas de IA existentes?

1: Es una navaja suiza. Mientras que los modelos clásicos de IA suelen entrenarse para realizar tareas específicas -por ejemplo, identificar objetos en fotos digitales o predecir qué pacientes corren más riesgo de rehospitalización-, los modelos generativos de IA, como los que sustentan ChatGPT, Stable Diffusion y LLaMa, pueden entrenarse para realizar muchas. Un solo modelo puede transformar la forma en que una empresa forma a sus empleados, realiza estudios de mercado, interactúa con sus clientes y evalúa su riesgo de cumplimiento.

2: Es ampliamente accesible. Mientras que la IA clásica ha sido el dominio de un selecto grupo de científicos de datos altamente capacitados, la IA generativa es accesible a un grupo mucho más amplio de talentos. Cualquiera con acceso a Internet puede utilizarla para resolver problemas.

3: Nunca deja de aprender. Los grandes modelos lingüísticos (LLM) son un tipo de IA generativa que se entrena sobre grandes volúmenes de texto, lo que les permite producir textos que son prácticamente indistinguibles de los creados por humanos. Gracias al perfeccionamiento supervisado y al aprendizaje por refuerzo de millones de interacciones humanas diarias, la capacidad de los LLM para razonar y resolver nuevos problemas aumenta minuto a minuto.

Para crear una ventaja competitiva duradera, las empresas deben aceptar primero que la IA generativa no es una moda pasajera. Deben comprender lo que hace bien, evitar costosos pasos en falso y crear sinergias con las técnicas clásicas de IA. Para adoptarla, explorarla y explotarla, las empresas deben planificar un rápido progreso desde la automatización de tareas hasta la evolución de procesos y la transformación de su forma de operar.

He aquí cómo empezar.

Comprender los casos de uso de la IA generativa

Dado que los LLM pueden realizar tantas tareas sin formación adicional, identificar los casos de uso para pilotar puede parecer desalentador. Para ayudar a priorizar, es útil comprender que los casos de uso actuales generalmente se clasifican en una de estas cuatro categorías generales:

  1. Reimaginar la síntesis de la información. La IA generativa puede extraer información de volúmenes masivos de texto no estructurado. Una empresa farmacéutica que estudie la posibilidad de introducirse en una nueva indicación podría utilizarla para explorar los protocolos de ensayos clínicos existentes y crear una visión general de la situación en la indicación de destino, incluidos todos los ensayos activos, los plazos, los criterios de valoración clínica y las empresas implicadas. Antes, un bioestadístico con un doctorado habría tardado semanas en hacerlo; ahora, con la ayuda de la IA generativa, puede hacerlo en días.
  2. Copilotos para la generación de contenidos. La IA generativa puede producir textos similares a los humanos en cuestión de segundos. A partir de un simple mensaje de base, un vendedor podría utilizar esta capacidad para producir una variedad infinita de mensajes finamente sintonizados diseñados para atraer a segmentos de audiencia micro-objetivo, incluso segmentos de uno.
  3. Motores de respuesta. La búsqueda tradicional ofrece a los usuarios una lista de enlaces; la IA generativa, por su parte, proporciona respuestas sucintas y verificables. Para ello, primero traduce la pregunta del usuario en una consulta de búsqueda eficaz, luego rastrea todas las fuentes conocidas en busca de posibles respuestas y sintetiza sus hallazgos en inglés sencillo (o swahili, galés, hindi o cualquier otro idioma en el que haya sido entrenada). Se puede imaginar su uso para extraer información detallada y matizada de informes cualitativos de investigación de mercado o manuales de formación de empleados densos y sin etiquetar.
  4. Agentes. Gracias a su capacidad de razonamiento, la IA generativa puede descomponer un problema empresarial en las tareas que lo componen, completar cada tarea, solicitar información, cambiar de rumbo, entregar la información solicitada y, a continuación, explicar qué hizo y cómo. Supongamos que está realizando inteligencia de mercado y quiere saber cuántas de las 50 principales empresas farmacéuticas hablaron en una conferencia del sector, los cargos de los que hablaron, los temas de sus presentaciones y el contenido y el tenor de las reacciones de los medios sociales a sus presentaciones. La IA generativa puede hacer esto sin que nadie le diga cómo. Los agentes pueden interactuar con los usuarios, con los modelos clásicos de IA y ejecutar tareas para llevar a cabo cualquier cosa que se les pida.
  5. A la hora de evaluar los primeros casos de uso, hay que tener en cuenta el riesgo (más información al respecto más adelante), la facilidad de implantación y cómo ofrecer el mayor aumento de productividad al mayor número de personas. No dé un gran aumento de productividad a una pequeña fracción de su plantilla cuando podría dar un modesto aumento a una parte mucho mayor.

La IA generativa es un maratón, no un sprint. Pero la velocidad sigue siendo importante

Para sacar el máximo partido de la IA generativa, las empresas deben estar preparadas para evolucionar de forma rápida y continua su estrategia y enfoque sobre cómo utilizarla. Esperamos que las estrategias de IA generativa evolucionen en tres etapas:

Etapa 1: Sustituir tareas de trabajo discretas. Las empresas obtendrán los beneficios más rápidos impulsando la productividad de los trabajadores mediante copilotos que automaticen las partes manuales y repetitivas de sus trabajos. Piense en el uso de ChatGPT para sintetizar información no estructurada.

Fase 2: Evolucionar los procesos. Aunque la automatización de tareas puede aumentar la eficiencia de los trabajadores, no creemos que genere una ventaja competitiva sostenible porque cualquiera puede hacerlo. En estrategias más avanzadas, las empresas desplegarán LLM para replantearse procesos de trabajo completos. Piense en el uso de IA generativa para resolver tareas más rápidamente y con medios más inteligentes que los que podrían idear los humanos por sí solos.

Fase 3: Transformar la organización. Las empresas construirán una ventaja competitiva verdadera y duradera cuando utilicen la IA generativa para reimaginar completamente lo que hacen y cómo lo hacen, y luego utilicen la IA generativa para facilitar el trabajo. Piense: utilizar la IA generativa no sólo para reimaginar cómo se hace el trabajo, sino también la naturaleza del mismo.

Para ilustrarlo, pensemos en una actividad que todas las empresas realizan con mayor o menor éxito: realizar estudios de mercado cualitativos. En la fase 1, una empresa podría utilizar IA generativa para buscar en las transcripciones de las entrevistas las respuestas planteadas por los analistas. En la fase 2, utilizaría la IA generativa para decidir qué preguntas formular, responderlas y hacerlo a través de los estudios. Y en la fase 3, las empresas utilizarían la IA generativa para reimaginar totalmente la investigación de mercado cualitativa, por ejemplo, utilizando datos secundarios para identificar comportamientos específicos de los clientes y, a continuación, haciendo que la IA mantuviera conversaciones reales con los clientes identificados para entender por qué piensan, sienten y actúan como lo hacen.

Para que se produzcan las fases 2 y 3, las empresas deben aceptar primero que todo son datos. ¿Correos electrónicos de los empleados sobre un tema? Datos. ¿Manuales de formación de representantes de ventas? Datos. Este cambio de mentalidad permitirá a las empresas plantearse preguntas que antes ni siquiera se habrían imaginado.

Utilizar la búsqueda de Google no crea una ventaja competitiva. No es más que una herramienta cotidiana que todos utilizamos, como el café, el correo electrónico o el bloc de notas. Así es como pronto llegaremos a pensar de la actual generación de generadores de texto como ChatGPT. La ventaja competitiva pertenecerá a quienes ideen formas cada vez más sofisticadas, estratégicas e intrínsecas de aprovechar esta nueva tecnología.

La IA generativa no sustituirá a la IA clásica, sino que la mejorará
Empresas de todos los sectores han invertido mucho en la creación de capacidades de IA y en la adopción de estrategias de datos acordes, desde herramientas que hacen más eficientes los ensayos clínicos hasta otras que crean tratamientos personalizados basados en la genética, los biomarcadores tumorales y más. Naturalmente, muchos CIO se preguntarán cómo -o incluso si- estos esfuerzos pueden coexistir con las nuevas capacidades que los LLM hacen posibles.

Buenas noticias: Vemos que la IA clásica y la generativa se complementan y refuerzan mutuamente para muchos casos de uso. La forma en que encajen dependerá del tipo de problema que estén resolviendo.

Generación de ideas y predicción a partir de datos estructurados. La IA clásica consiste en modelos construidos principalmente a partir de datos estructurados y diseñados para producir resultados como la puntuación de clientes potenciales, la probabilidad de cancelación de clientes, la propensión a comprar y similares. Para este tipo de problemas, que la IA clásica gestiona bien, esperamos que la IA generativa aumente los esfuerzos de la IA existente.

Para entender cómo podría funcionar, imaginemos un modelo que utiliza las historias clínicas electrónicas (HCE) de los pacientes para asignar puntuaciones de riesgo que los seleccionan para una atención más personalizada. Un LLM podría examinar las notas del médico sobre cada paciente en busca de información no recogida en la HCE que haga que los modelos predictivos sean más precisos y fiables.

Generación de información y predicción a partir de datos no estructurados. Existen modelos clásicos de procesamiento del lenguaje natural, audio y visuales, entre otros, para desentrañar información a partir de conjuntos de datos no estructurados, pero son engorrosos y pueden utilizarse para realizar una sola tarea. Para este tipo de problemas, la IA generativa suplantará los esfuerzos de la IA actual.

Explicación de los modelos clásicos de IA. Vemos un enorme potencial para que la IA generativa resuelva una importante barrera para la adopción de la IA explicando cómo funcionan los modelos predictivos. La gente ya utiliza GPT-4 para ayudar a explicar cómo funciona GPT-2, así que vemos la solución de la «explicabilidad» como una posibilidad real.

Independientemente de cómo acaben interactuando estas formas de IA en el mundo real, no vemos ningún escenario en el que la IA clásica desaparezca a corto plazo. Al contrario, vemos que se vuelve más precisa, más explicable y, por tanto, más fiable gracias a la introducción de técnicas de IA generativa.

He aquí una forma sencilla de pensar en los riesgos de la IA generativa

Nuestra recomendación a los CIO que no estén seguros de por dónde empezar con la IA generativa: elijan el camino de menor resistencia. Busque casos de uso de bajo riesgo, fáciles de implementar y que ofrezcan el mayor aumento potencial de productividad neta en toda la empresa.

Evaluar el riesgo

A la hora de evaluar el perfil de riesgo de los posibles casos de uso, piense en una matriz simple con el grado de confidencialidad de los datos de entrada en un eje y el grado de participación humana en la verificación de los resultados en el otro. Recomendamos encarecidamente empezar por los casos de uso que se basan en datos públicos y cuyos resultados se someterán a un examen humano completo. Para los casos de uso que utilicen información personal identificable (IPI) y en los que los resultados vayan a ser automatizados, espere hasta que las salvaguardias para los LLM hayan madurado.

Centralización frente a federación

El grado de centralización o federación de las iniciativas de IA es una cuestión que se ha planteado en este campo desde que se generalizó. Para facilitar la toma de decisiones, el departamento de TI de la empresa debe considerar quién hará el trabajo y quién será responsable de sus riesgos.

Si los modelos se basan en datos públicos y los resultados se destinan a uso interno, un enfoque federado ofrecerá mayor velocidad, agilidad y aumento de la productividad a corto plazo. Si, por el contrario, los modelos se basan en datos más sensibles -como los obtenidos de terceros o la PII- y los resultados van a ser consumidos directamente por los clientes o el público, entonces es más prudente un enfoque centralizado.

Con la IA generativa, basta con dar el paso

Las empresas no serán recompensadas por quedarse al margen mientras otros descubren cómo utilizar la IA generativa para transformar su forma de hacer negocios. ¿Precaución? Sí. ¿Despacio? Se arrepentirá. Puede que sea un maratón, pero el viaje debe empezar ahora.

Para los casos de uso que se basan en fuentes de datos propias, considere la posibilidad de utilizar sus datos para perfeccionar uno de los 30 (y contando) modelos de código abierto. Para los primeros casos de uso que dependen de datos públicos, conectarse a ChatGPT o a otro LLM comercial ofrecerá un recorrido mucho más corto. Todo lo que funcione actualmente a través de una API es un buen candidato para la integración del LLM.

¿No sabe por dónde empezar? Prueba a replantearte las ventas reduciendo la carga administrativa, enriqueciendo las interacciones con los clientes con contenidos personalizados o utilizando datos no estructurados para orientar el marketing sobre dónde jugar, qué decir y cómo ganar. Apueste por el low lift, bajo riesgo y alta recompensa.

Independientemente de por dónde empiece, vemos tres fuentes de ventaja competitiva en el futuro. Téngalas en cuenta cuando evalúe los casos de uso y comience a trazar su estrategia de IA generativa.

  • Construya su pila de IA generativa. Los investigadores de la Universidad de Cornell calculan que alrededor del 15% de todas las tareas de los trabajadores pueden realizarse más rápidamente utilizando LLM sin reducir la calidad. La superposición de software y herramientas sobre los modelos puede aumentar esa cifra hasta el 56%. Los modelos listos para usar pueden hacer cosas increíbles, pero están al alcance de cualquiera con un smartphone. Añadir capacidades tecnológicas y de IA -como agentes, motores de respuesta y copilotos diseñados para problemas empresariales específicos de la empresa- a los modelos disponibles creará una ventaja competitiva.
  • Aprovechar el conocimiento institucional. Los LLM son tan buenos como los datos con los que se han entrenado, por lo que las empresas líderes mejorarán los modelos infundiéndoles sus propios datos y conocimientos institucionales, potenciando al mismo tiempo los modelos y garantizando que la experiencia y las mejores prácticas se comparten en toda la empresa.
  • Evolucionar rápidamente. Las empresas que evolucionen continuamente en el uso de la IA generativa obtendrán una ventaja competitiva. Cualquiera puede utilizar un LLM para sintetizar la investigación cualitativa de mercado, pero ¿cuántos aprenderán a utilizarlo para reinventar cómo se hace la investigación cualitativa en primer lugar?

No espere a que estas fuentes de ventaja competitiva se materialicen plenamente para actuar. Identifica los casos de uso que puedes abordar ahora, reflexiona sobre cómo implementarlos y, lo más importante, ponte manos a la obra.

Fuente: zs.com

Sobre el autor

https://www.zs.com/about/our-people/pratap-khedkar https://www.zs.com/about/our-people/arun-shastri

La IA generativa es posiblemente el mayor avance tecnológico de nuestras vidas. Pero si bien crea una gran oportunidad para las empresas que la adoptan con rapidez e inteligencia, también supone un gran riesgo para las que tardan en actuar.

Path Copy Created with Sketch.
X