La IA no escala hasta que dejas de llamarla innovación

La mayoría de las empresas tienen un equipo que se dedica a la IA. Pocas tienen la IA completamente operativa. La brecha entre la experimentación y el despliegue a nivel empresarial es donde la mayoría de las organizaciones se estancan, pasando por pruebas de concepto que nunca llegan al cliente. El cambio que se está produciendo ahora se trata de la disciplina operativa para lanzar la IA como un producto.

Philippe Rambach es el Director de IA en Schneider Electric, un líder mundial en gestión de energía y automatización industrial. Las dos actividades principales de la empresa, tecnología para la gestión de energía y automatización de operaciones industriales, se centran en ayudar a los clientes a ser más eficientes utilizando menos recursos y energía con menor intensidad de carbono en edificios, fábricas, hogares, centros de datos, redes eléctricas, etc.

Schneider Electric utiliza Databricks como una plataforma clave dentro de su ecosistema más amplio de datos e IA, aplicando las capacidades unificadas de datos e IA de Databricks para ingerir y procesar grandes volúmenes de telemetría industrial, potenciar el aprendizaje automático a escala en entornos multicloud y permitir el acceso a datos en lenguaje natural a través de Databricks Genie. Philippe construyó la organización de IA de la empresa desde cero. Su equipo de 400 personas se divide a partes iguales entre la integración de inteligencia en productos orientados al cliente y la mejora de las operaciones internas a escala.

Desde la perspectiva de Philippe, las empresas que implementan con éxito la IA a escala son aquellas que aplican el mismo rigor de desarrollo de productos que aplicarían a cualquier otra capacidad que lanzan, con revisiones de hitos, gestión de cartera y equipos responsables de la producción.

Lo que realmente significa ser nativo de IA

Aly McGue: A medida que más organizaciones incorporan la IA en sus productos, la línea entre una aplicación genuina nativa de IA y un producto tradicional con inteligencia superpuesta puede volverse borrosa. ¿Cómo piensas en esa distinción?

Philippe Rambach: El punto clave es que cuando la IA es nativa, es completamente parte de la propuesta de valor de la aplicación. Sin IA, el producto no tiene valor o pierde la mayor parte de su valor. No estamos construyendo algo sobre la aplicación. Es fundamental para lo que ofrece la solución.

Las necesidades de nuestros clientes no cambiaron realmente con la IA. Todavía quieren resultados: mejor tiempo de actividad, mejor eficiencia energética, menores costos de energía y mayor resiliencia. Podrías ir a nuestra base instalada y decir: "Deberías comprar esto porque es nuevo", y no estarían muy entusiasmados. El verdadero cambio es pasar de lo complementario a lo nativo de IA, de "es súper emocionante" a ofrecer valor central: ayudar a los clientes a operar con menos energía, energía más barata y energía más descarbonizada. Eso tiene que estar en el núcleo de la solución, no junto a ella.

Construyendo para la escala, no para pruebas de concepto

Aly: Has descrito la IA nativa como fundamental para el valor del producto. ¿Qué se necesitó, organizacionalmente, para hacer eso realidad en personas, procesos y plataformas?

Philippe: En el lado de las personas, se trata de la necesidad de fusionar el conocimiento del dominio con el conocimiento de la IA. Un equipo de IA por sí solo construirá cosas súper sofisticadas que se ven muy bien, lo que yo llamo "objetos brillantes", pero no necesariamente cosas que realmente ayuden a los clientes. Por lo tanto, creamos un modelo de centro y radios.

Cada solución comienza con un caso de negocio propiedad de la línea de negocio. Luego formamos un equipo scrum en el sentido ágil puro con todos los recursos necesarios para desplegar a escala: expertos en IA, personas de cara al cliente, integración de TI, desarrolladores de software del negocio, capacitación de ventas, precios, etc. El equipo no se detiene cuando ha demostrado la viabilidad técnica o ha entregado una prueba de concepto. Se detienen cuando la solución está en producción y pasa a soporte.

En el lado de la plataforma, si realmente quieres ser nativo de IA a toda velocidad en una empresa como la nuestra, no puedes tener miles de soluciones técnicas diferentes. Establecimos un equipo para definir y mantener un conjunto único de tecnologías centrales en toda la empresa. En cualquier momento dado, hay una plataforma. Databricks juega un papel clave en eso. Gestiona la infraestructura, los datos y el flujo de datos, por lo que podemos dedicar más tiempo a la lógica de negocio y al problema a resolver en lugar de a las dificultades técnicas de bajo nivel.

Mi firme creencia es que las empresas deberían dejar de tratar la IA como innovación y empezar a tratarla como desarrollo de productos. Creo que este es el cambio más importante. Tenemos un proceso con revisiones de hitos como cualquier producto, que avanza a través de la ideación, exploración, incubación, industrialización y operación. Entre cada fase, mi contraparte del lado del negocio y yo decidimos si está técnicamente listo, comercialmente viable y si el plan de negocio se mantiene antes de seguir adelante. Trimestralmente, revisamos la hoja de ruta y la cartera completas. Tratamos la IA como cualquier otro producto que lanzamos. Esa es la diferencia.

Alinear equipos en torno al valor empresarial de la IA

Aly: Con tantas partes móviles, ¿cómo mantienes alineados a los equipos multifuncionales desde el primer caso de negocio hasta el despliegue en producción?

Philippe: Empezar por los casos de uso y el valor empresarial es la mejor manera de alinear a las personas. En lugar de debatir para siempre sobre qué proveedor de tecnología es el mejor, empezamos por las necesidades del cliente. En una empresa bien gestionada, eso es lo que mueve a la gente.

La otra cosa que destacaría es la estructura de rendición de cuentas. En muchas empresas que he comparado, un equipo construye una prueba de concepto y otro se supone que la industrializa. Esos dos equipos tienen objetivos muy diferentes y terminan desalineados. En nuestro modelo, el mismo equipo es responsable de todo el viaje, desde la ideación hasta el despliegue a escala. Aún pueden construir una prueba de concepto en el camino, pero lo hacen teniendo en cuenta el estado final. En otras organizaciones, un grupo puede centrarse en demostrar algo divertido mientras otro optimiza para la escalabilidad. Cuando un solo equipo es responsable de ambos, esa tensión desaparece.

De solicitar datos a conversar con ellos

Aly: Databricks Genie proporciona a los usuarios no técnicos una interfaz de lenguaje natural para consultar datos directamente. ¿Qué cambio estás viendo internamente?

Philippe: Uno de los desafíos principales en este momento, especialmente en soluciones agénticas, es cómo acceder a la información correcta de tus datos cuando esos datos son cada vez más no estructurados. Genie es muy prometedor en ese sentido. Nos ahorra tiempo en actividades centrales comunes a muchos clientes, como extraer datos de una base de datos en lenguaje natural.

Internamente, Genie acaba de ser lanzado, así que está en sus inicios. Pero el entusiasmo es masivo. La gente está cansada de pedirle a alguien que realice un análisis y recibir algo una hora o un día después que no es exactamente lo que querían. La capacidad de obtener datos por uno mismo en lenguaje natural es una gran mejora en nuestra forma de trabajar. Necesitamos asegurarnos de obtener suficiente precisión y estamos trabajando estrechamente con Databricks en eso. Pero el potencial de aceptación es muy fuerte.

Por qué los modelos por sí solos no son la respuesta

Aly: Cuando hay tantos modelos potentes disponibles externamente, ¿cuál es el argumento para construir aplicaciones nativas de IA sobre tus propios datos e infraestructura?

Philippe: Absolutamente usamos modelos externos. No desarrollamos nuestros propios modelos de lenguaje; usamos muchos de ellos. Pero un modelo por sí solo nunca es una solución completa. Necesita contexto, salvaguardas, interfaces de usuario, a veces una combinación de IA analítica clásica con modelos de lenguaje grandes, a veces múltiples LLM que potencian múltiples agentes que toman decisiones sobre diferentes bases. Construimos sistemas multiagente en los que los agentes a veces compiten en lugar de simplemente colaborar.

Tomemos nuestro EcoStruxure™ Microgrid Advisor, por ejemplo. Un cliente tiene algunos edificios, tal vez un campus universitario, con paneles solares y generación eólica. Ingerimos todos esos datos del sitio a alta frecuencia para pronosticar con precisión la producción y la demanda de energía. Luego, la IA optimiza cada 15 minutos basándose en las próximas 48 horas: ¿es mejor usar la energía que estás produciendo ahora, venderla a la red, comprar de la red o almacenarla para mañana? Eso no es un modelo. Es pronóstico, optimización y toma de decisiones en tiempo real trabajando juntos sobre los datos operativos del cliente. Vemos hasta un 20 por ciento de reducción en los costos de energía de soluciones como esa.

Los modelos están disponibles para todos. Lo que no está disponible para todos es la base específica del dominio que se orquesta a su alrededor. Necesitas todo.

Consejos para líderes que comienzan este trabajo

Aly: Para los líderes que están al principio de este trabajo, ¿cuáles son las lecciones que desearías que más organizaciones interiorizaran antes de escalar la IA?

Philippe: Primero, empieza con el caso de negocio, no con la tecnología. No empieces con "hay algo nuevo de algún proveedor". Empieza con lo que necesitas transformar y cómo la IA puede ayudar, para que puedas centrarte en el impacto a escala.

Segundo, capacita a tu gente. La transformación de la IA no ocurrirá si la gente no tiene lo que yo llamo una relación adulta con la IA. Hace cosas maravillosas, pero no todo. No es tan aterrador como algunos piensan. Necesitas educar a tus equipos sobre cómo usarla y sus limitaciones.

Tercero, y probablemente lo más provocador: no olvides todo lo que ya sabes. Cuando las personas inician un proyecto de IA, olvidan que es, ante todo, un proyecto. Olvidan que es, ante todo, una transformación. Nuestra empresa ha aprendido durante años cómo gestionar el cambio. Una gran parte de un proyecto de IA es exactamente eso. Algunas partes necesitan reinvención, pero no todo.

Pensamientos finales

La elección más deliberada de Philippe es negarse a tratar la IA como algo especial. No en su potencial, que es enorme, sino en cómo debe gestionarse. El modelo de centro y radios, las revisiones de puertas de enlace, la insistencia en una plataforma y la propiedad del equipo de extremo a extremo. Estas no son estrategias de IA. Son estrategias de producto aplicadas con el mismo rigor que Schneider Electric aplicaría a cualquier otra capacidad que envíe a los clientes.

Para los ejecutivos que todavía gestionan la IA como una función de innovación con equipos separados, plazos separados y rendición de cuentas separada, la provocación merece una reflexión. Las empresas que implementan la IA a escala no son las que tienen los prototipos más creativos. Son las que dejaron de llamarlo innovación y empezaron a enviarlo como un producto.

Para aprender de más de 25 líderes de la industria y definir tu camino hacia la operacionalización de la IA, descarga “Making AI Deliver” de Economist Enterprise, con el apoyo de Databricks.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original